Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de méthode

Analyse comparative des architectures YOLOv8-v13 pour la surveillance intelligente des bovins en temps réel et la gestion agricole basée sur les données dans l’élevage de précision

959 vues

⸱

DOI :

10.3791/69490

⸱

14 novembre 2025

 ,  ,  ,  ,  , 
1School of Economics and Management, Quanzhou Ocean Institute, 2School of Electronic and Electrical Engineering, Minnan University of Science and Technology, 3School of Electrical and Electronic Engineering, Universiti Sains Malaysia, 4School of Information Engineering, Quanzhou Ocean Institute

Dans cet article

Résumé

Ce protocole compare six modèles YOLO pour la détection en temps réel du comportement des bovins afin de soutenir l’optimisation du bien-être et de la gestion de l’exploitation.

Résumé

La détection précise et en temps réel du comportement des bovins est cruciale pour améliorer le bien-être des animaux et optimiser la gestion du bétail. Pour y remédier, cette étude évalue de manière exhaustive six modèles légers YOLO (You Only Look Once) développés par la communauté - YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n et YOLOv13n - pour reconnaître cinq comportements clés des bovins (debout, couché, recherche de nourriture, boisson et rumination) à l’aide de l’ensemble de données CBVD-5 personnalisé. L’ensemble de données comprend diverses conditions d’éclairage et des environnements naturels de grange pour refléter des scénarios de surveillance réels. Tous les modèles ont été évalués à l’aide de mesures de détection d’objets standard (précision, rappel, mAP@50 et mAP@50-95) et d’indicateurs orientés déploiement, notamment le temps d’inférence, les images par seconde (FPS), la taille du modèle et la durée de l’entraînement, afin de fournir une évaluation équilibrée de la précision et de l’efficacité. YOLOv13n a atteint le mAP@50-95 le plus élevé (0,712), tandis que YOLOv11n a atteint le mAP@50 le plus élevé (0,967) et a montré une convergence stable avec un bon compromis entre la précision de détection et la vitesse d’inférence. YOLOv10n a démontré la vitesse d’inférence la plus rapide (1,2 ms/image, ~833 FPS), ce qui le rend bien adapté aux applications sensibles à la latence telles que la surveillance continue des granges. Tous les modèles ont conservé des tailles compactes inférieures à 6 Mo et un débit en temps réel supérieur à ~300 FPS, confirmant ainsi leur praticité pour le déploiement en périphérie. Les résultats établissent un cadre de référence reproductible pour l’évaluation des variantes modernes de YOLO, offrant des informations sur la sélection de modèles pour des systèmes de surveillance du bétail efficaces, évolutifs et axés sur le bien-être.

Introduction

La surveillance efficace du comportement des bovins est essentielle dans l’élevage de précision, car elle permet de gérer le bien-être, de détecter les maladies et d’optimiser les opérations. Les approches non invasives basées sur la vision sont particulièrement prometteuses en raison de leur évolutivité et de leur polyvalence. Les ensembles de données standardisés tels que CBVD-5 (Cow Behavior Video Dataset with 5 classes) offrent diverses annotations de comportement dans des conditions d’éclairage variées, ce qui en fait des références précieuses dans ce domaine1. Dans la plupart des exploitations agricoles, les caméras sont fixées à une hauteur modérée avec un éclairage relativement stable, bien qu’une occlusion occasionnelle chez les bovins puisse affecter les performances de détection. La reconnaissance du comportement chez le bétail continue de faire face à des défis tels que l’occlusion, la variabilité des mouvements et la rareté des données d’entraînement. Pour relever ces défis, des travaux antérieurs ont exploré des approches basées sur des capteurs2, la modélisation de motifs d’images3 et des stratégies d’apprentissage profond d’ensemble4. Les frameworks de détection d’objets tels que YOLO (You Only Look Once), introduit pour la première fois par Redmon et al.5, et sa version plus avancée YOLOv76, se distinguent par leur capacité à équilibrer la précision de détection, la latence et l’efficacité de calcul. Dans cette étude, les performances en temps réel font référence à l’atteinte d’une vitesse d’inférence supérieure à 30 images par seconde (FPS), ce qui garantit un suivi du comportement vidéo fluide et continu dans des environnements pratiques de ferme. Cette étude évalue systématiquement les performances de YOLOv8n à YOLOv13n sur l’ensemble de données CBVD-5, en mettant l’accent sur la détection du comportement en temps réel et les contraintes de déploiement. Les progrès récents de l’architecture YOLO, y compris les versions de la communauté ouverte YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 et YOLOv1312, ont apporté des améliorations à la précision de détection et à l’efficacité de calcul. Ces modèles s’appuient sur des innovations telles que l’apprentissage multitâche, les têtes sans ancrage et l’apprentissage par transfert optimisé, ce qui les rend plus adaptés aux environnements à ressources limitées que l’on rencontre généralement dans les fermes d’élevage à grande échelle. Cependant, à notre connaissance, il n’y a pas eu d’étude exhaustive évaluant spécifiquement ces modèles pour la reconnaissance du comportement des bovins. Pour combler cette lacune, nous effectuons une évaluation comparative des modèles YOLO récents (v8n-v13n) pour la détection du comportement des bovins à l’aide d’un ensemble de données conçu pour simuler des environnements agricoles réels. Les modèles sont évalués à l’aide de mesures de détection standard telles que la précision moyenne (mAP), la précision, le rappel, le temps d’inférence et le FPS afin de déterminer quelle variante est la mieux adaptée aux applications de surveillance des bovins en temps réel dans des conditions agricoles. Plutôt que de proposer une nouvelle architecture, cette étude établit un cadre de benchmarking systématique et reproductible pour les variantes récentes de YOLO dans le contexte de la surveillance du comportement du bétail, comblant ainsi une lacune de la littérature actuelle où leurs performances comparatives restent largement inexplorées.

La famille de détecteurs d’objets YOLO a considérablement fait progresser la vision par ordinateur en temps réel, en particulier dans les applications nécessitant à la fois vitesse et précision. Dans la reconnaissance du comportement des bovins, où le suivi en temps réel des mouvements du bétail est essentiel, l’équilibre de ces attributs de YOLO le rend très efficace. Cette revue décrit l’évolution des modèles YOLO, des premières versions aux plus récentes, en mettant en évidence les principales innovations pertinentes pour la détection du comportement des bovins. Chaque itération a apporté des améliorations en termes de vitesse, de précision et de robustesse de détection dans les conditions de la ferme, ce qui rend les modèles YOLO de plus en plus adaptés à la surveillance des bovins dans des environnements dynamiques.

Les premières générations de YOLO (v1-v3) ont jeté les bases de la détection d’objets en une seule étape en unifiant la classification et la localisation en un seul cadre de régression. Ces versions ont progressivement amélioré la vitesse d’inférence, la précision spatiale et la capacité de détection multi-échelle, jetant les bases de l’application de YOLO dans l’analyse du comportement du bétail et d’autres scénarios agricoles en temps réel 13,14,15,16. Avec la sortie de YOLOv4 en 2020, l’architecture a connu d’autres améliorations, notamment l’adoption du backbone Cross Stage Partial (CSP), l’activation de Mish et des techniques avancées d’agrégation de fonctionnalités 17,18,19. Ces mises à jour ont amélioré les performances du modèle sur des ensembles de données plus petits, un scénario courant dans la détection du comportement du bétail en raison d’échantillons annotés limités pour des événements rares. Le projet communautaire YOLOv5, lancé par Ultralytics en 2020, a été largement adopté pour sa conception modulaire et sa facilité de déploiement via un cadre PyTorch20. Bien qu’il n’ait pas fait l’objet d’un article évalué par des pairs, YOLOv5 est devenu une référence de facto dans les tâches de détection de bétail en temps réel en raison de son fort équilibre entre précision et flexibilité de déploiement. YOLOv6, sorti en 2022, a privilégié une conception respectueuse du matériel avec le backbone EfficientRep et le manche Rep-PAN21,22. En intégrant la détection sans ancrage, le modèle a amélioré la robustesse dans les scénarios impliquant une occlusion et une visibilité partielle, conditions fréquemment rencontrées dans les environnements bovins surpeuplés. YOLOv7 a encore optimisé l’efficacité des calculs grâce à l’architecture E-ELAN, permettant une formation plus rapide et des performances améliorées sur plusieurs échelles de détection23. Parallèlement, des modèles alternatifs tels que YOLOX24 et YOLOR25 offrent une vitesse de détection et une généralisation avancées, deux attributs essentiels pour les systèmes de surveillance du bétail en plein air. La version 2023 de YOLOv8 par Ultralytics a introduit plusieurs modifications architecturales, notamment des têtes sans ancrage, une reparamétrisation structurelle et des stratégies d’augmentation plus fortes. Ces mises à jour ont permis des gains significatifs en termes de précision de détection et de vitesse d’inférence, faisant de YOLOv8 une option compétitive pour l’analyse du comportement des bovins en temps réel. L’évolution s’est poursuivie avec l’émergence de YOLOv9, YOLOv10, YOLOv11, YOLOv12 et YOLOv13. YOLOv9 a intégré l’apprentissage multitâche pour améliorer conjointement la classification, la localisation et les tâches auxiliaires telles que la détection de points clés. YOLOv10 a été construit sur cette base en intégrant des modules d’adaptation de domaine et des mécanismes d’attention sensibles à la segmentation. YOLOv11 a introduit des protocoles d’entraînement auto-supervisés qui ont réduit la dépendance à l’égard de données entièrement étiquetées, offrant des avantages dans les applications peu nombreuses comme la surveillance du comportement des bovins. YOLOv12 a mis l’accent sur l’amélioration de la fusion des fonctionnalités et le reparamétrage dynamique. Enfin, YOLOv13 a incorporé des modules basés sur des transformateurs et une attention spatio-temporelle, offrant des performances supérieures pour la détection à haut débit et à faible latence dans des scénarios agricoles complexes en temps réel.

Ces dernières années, les modèles d’apprentissage profond basés sur YOLO sont devenus largement utilisés pour la surveillance automatisée et en temps réel du comportement des bovins en raison de leur efficacité et de leur précision. Avant l’adoption des détecteurs basés sur YOLO, plusieurs des premiers systèmes basés sur la vision avaient démontré la faisabilité de la surveillance du bétail par imagerie. Par exemple, Sumi et al. ont développé un système de surveillance des vaches pour la détection des vêlages à l’aide de l’analyse des caractéristiques de mouvement26, tandis que Zin et al. ont proposé un cadre d’identification des vaches basé sur l’apprentissage profond atteignant une précision de reconnaissance de 97 %27. Ces travaux ont jeté les bases d’approches ultérieures de détection d’objets dans l’élevage de précision. Plusieurs études ont appliqué différentes variantes de YOLO pour la classification du comportement, le suivi de mouvement et la reconnaissance de la posture dans des conditions variées. Par exemple, Mu et al. ont proposé un modèle amélioré de reconnaissance du comportement des bovins légers - YOLO28 (CBR-YOLO) basé sur YOLOv8, optimisé pour l’adaptation à plusieurs scènes météorologiques. Le modèle a atteint une précision moyenne de 90,2 % tout en réduisant considérablement le nombre de paramètres. Tong et al. ont présenté le modèle YOLO-BoT29, incorporant des modules d’attention et basés sur des transformateurs dans YOLOv8 pour la détection et le suivi du comportement des bovins dans des environnements complexes, atteignant un mAP de détection de 91,7 % à 31,2 FPS. Hao et al. ont intégré un mécanisme d’attention multi-échelle efficace (EMA) dans YOLOv530 (YOLOv5-EMA), qui a amélioré les performances de détection des parties du corps des bovins (par exemple, la tête, les pattes), atteignant des valeurs mAP comprises entre 94,8 % et 95,5 %. Guarnido-Lopez et al.31 ont évalué YOLOv8 et YOLOv10 pour la reconnaissance des comportements liés à l’alimentation (par exemple, mâcher, mordre, s’approcher) chez les taureaux charolais, rapportant que YOLOv10 a légèrement surpassé YOLOv8 en mAP@50, mAP@50-95, précision et rappel, tandis que YOLOv8 a montré une convergence plus rapide et un surajustement plus faible. Alors que YOLOv1 à YOLOv8 ont été largement adoptés et validés pour les tâches liées à l’élevage, l’applicabilité de YOLOv9 à YOLOv13 dans ce domaine reste sous-explorée. À ce jour, il n’y a pas eu d’évaluation complète de ces nouveaux modèles de détection du comportement des bovins, ce qui met en évidence une lacune critique dans les recherches existantes et motive une enquête plus approfondie sur leurs performances dans le monde réel.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

1. Préparation de l’ensemble de données

REMARQUE : Cette étude n’a pas impliqué de nouvelles expériences sur des animaux. Toutes les données ont été obtenues à partir de l’ensemble de données CBVD-5 accessible au public, qui a été recueilli et publié conformément aux directives institutionnelles en matière de soins aux animaux par ses auteurs originaux. Par conséquent, aucune approbation éthique supplémentaire n’était requise pour ce travail.

  1. L’ensemble de données comprend des enregistrements de surveillance continue capturés par sept caméras Dahua (objectifs 2,8 mm et 3,6 mm, modèle M/K) connectées par des commutateurs gigabit et des enregistreurs vidéo réseau, couvrant 5 jours d’observation ininterrompue dans des conditions d’éclairage standard de l’étable.
  2. Extrayez des images représentatives pour obtenir 25 000 images-clés annotées, garantissant ainsi la diversité temporelle de tous les types de comportement. Annotez cinq classes de comportement, debout, couché, recherche de nourriture, boisson et rumination, à l’aide de VGG Image Annotator (VIA v3.0.11) en suivant le format de boîte englobante AVA. Créez un projet VIA unifié à l’aide du schéma d’étiquette {debout, couché, en train de chercher de la nourriture, en buvant, en ruminant}. Exportez ensuite les annotations sous forme de fichiers JSON et convertissez-les au format TXT compatible YOLO à l’aide de Roboflow (définissez normalisation = True et une classe par ligne dans les paramètres du projet).
  3. Redimensionnez toutes les images à 640 × 640 pixels et appliquez l’orientation automatique.
  4. Effectuez une augmentation des données dans Roboflow, en appliquant des retournements horizontaux aléatoires (p = 0,5), des rotations dans ±10 et une variation de luminosité/contraste dans ±15 % pour améliorer la généralisation du modèle.
  5. Divisez l’ensemble de données en sous-ensembles d’entraînement, de validation et de test dans un rapport 70/20/10 (2049/585/293 images).

2. Sélection et configuration du modèle

  1. Sélectionnez six architectures YOLO légères : YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n et YOLOv13n.
  2. Enregistrez les spécifications du modèle, y compris le nombre total de couches, le nombre de paramètres et les GFLOPs pour comparer les exigences de calcul, comme résumé dans le tableau 1.
  3. L’environnement informatique et les spécifications matérielles-logicielles utilisées dans cette étude sont répertoriés dans la table des matériaux. Des valeurs de départ aléatoires déterministes ont été fixées à 0, 42, 1337 pour la reproductibilité.
  4. Initialisez chaque modèle avec des poids officiels pré-entraînés (par exemple, yolov10n.pt, yolov13n.pt).

3. Formation du modèle

  1. Entraînez tous les modèles YOLO dans des paramètres expérimentaux identiques à l’aide du framework Ultralytics YOLO (v8.3.63).
  2. Fixez la résolution d’entrée à 640 × 640 pixels, avec une taille de lot = 128 et un taux d’apprentissage initial de 0,01 (optimiseur SGD, ordonnanceur cosinus).
  3. Commande d’entraînement représentative pour chaque modèle (exemple : YOLOv8n) :
    résultats = model.train(
    data=f'{dataset.location}/data.yaml',
    époques = 800,
    patience=30,
    lot = 128,
    imgsz=640,
    name='yolov8n_test_800_epoch',
    save_period=100,
    pretrained=Vrai,
    amp=Vrai,
    travailleurs=16,
    graine=1337
    )
  4. Appliquez un arrêt anticipé lorsque la mesure de valeur adaptative de validation interne (composite pondéré de précision, de rappel et de mAP@50-95) a atteint un plateau pendant 30 époques consécutives.
  5. Sélectionnez le meilleur point de contrôle pour chaque exécution en fonction de la validation la plus élevée mAP@50-95, et faites la moyenne des valeurs finales sur trois valeurs nominales (0, 42, 1337) pour garantir la reproductibilité.
  6. Exclure les variantes plus grandes (par exemple, YOLOv10m, YOLOv11l) en raison de demandes élevées en ressources, afin de garantir la faisabilité sur les dispositifs de périphérie32.

4. Évaluation du modèle

  1. Les performances du modèle ont été évaluées à l’aide de la fonction de validation intégrée d’Ultralytics :
    metrics = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. Calculez mAP@50 et mAP@50-95.
  3. Générez des matrices de confusion pour examiner les performances par classe.
  4. Les mesures liées à l’efficacité, notamment la latence (ms/image), le nombre d’images par seconde, la taille du modèle (Mo) et la durée de l’entraînement, ont été enregistrées automatiquement. Ici, le FPS a été calculé comme l’inverse du temps d’exécution total par image, qui comprenait les étapes de prétraitement, d’inférence de modèle et de post-traitement.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

Cette section présente les résultats de l’évaluation des modèles YOLOv8 à YOLOv13 sur l’ensemble de données CBVD-5 pour la reconnaissance multi-comportements des bovins. L’analyse se concentre sur la précision de la détection, la convergence de l’entraînement, la distribution comportementale et l’adéquation du déploiement dans des environnements à ressources limitées. La qualité de l’ensemble de données et l’équilibre des classes suivent les divisions décrites dans le protocole (70/20/10), ce qui garantit une représentat...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Le succès global du cadre comparatif proposé dépend de plusieurs étapes du protocole, notamment l’annotation de comportement de haute qualité, l’augmentation de diverses données et la surveillance stable de la convergence pendant l’entraînement. Ces facteurs garantissent que les différences de performances du modèle reflètent la variation architecturale réelle plutôt que le bruit des données ou de l’entraînement. Cette étude a systématiquement évalué six variantes légères de YOLO (v8n à ...

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Les auteurs déclarent qu’ils n’ont pas d’intérêts concurrents.

Remerciements

Ce travail a été financé par une bourse de transition de l’Universiti Sains Malaysia, projet n° : R501-LR-RND003-0000001342-0000.

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
Enregistreur Dahua DH-NVR2216-HDS3Technologie Dahuahttps://www.dahuasecurity.com/
Commutateur Gigabit Dahua DH-S3000C-16GTTechnologie Dahuahttps://www.dahuasecurity.com/
Caméra de surveillance Dahua M/K (objectif 2,8 mm / 3,6 mm)Technologie Dahuahttps://www.dahuasecurity.com/
Google Colab ProGooglehttps://colab.research.google.com/
MatplotlibCommunauté Matplotlibhttps://matplotlib.org/
NVIDIA A100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyCommunauté NumPyhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna (Optimisation des hyperparamètres)Optuna.orghttps://optuna.org/
PandasCommunauté Pandashttps://pandas.pydata.org/
PyTorch (v2.0+)Fondation PyTorchhttps://pytorch.org/
Python (v3.10)Fondation Python Softwarehttps://www.python.org/
Jeu de données Roboflow TSLRoboflowhttps://roboflow.com/
Ubuntu 20.04 LTSCanoniquehttps://ubuntu.com/
Visual Studio CodeMicrosofthttps://code.visualstudio.com/
YOLOv13Ultralytiqueshttps://github.com/ultralytics/YOLOv13
YOLOv9Ultralytiqueshttps://github.com/ultralytics/YOLOv9

Références

  1. Li, K., Fan, D., Wu, H., Zhao, A. A new dataset for video-based cow behavior recognition. Sci Rep. 14 (1), 821-830 (2024).
  2. Tran, D. N., et al. Cows' behavior classification using acceleration data: a new, effective, and simple approach. J Comput Sci Cybern. 41 (1), 33-48 (2025).
  3. Bello, R. W., Talib, A., Mohamed, A. S. A. Deep learning-based architectures for recognition of cow using cow nose image pattern. Gazi Univ J Sci. 33 (2), 202-213 (2020).
  4. Ozella, L., et al. A computer vision approach for the automatic detection of social interactions of dairy cows in automatic milking systems. Acta IMEKO. 13 (3), 202-212 (2024).
  5. You only look once: unified, real-time object detection. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR), , (2016).
  6. Wang, C. Y., Bochkovskiy, A., Liao, H. Y. YOLOv7: trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv. , (2022).
  7. Reis, D., Kupec, J., Hong, J., Daoudi, A. Real-time flying object detection with YOLOv8. arXiv. , (2023).
  8. Wang, C. Y., Yeh, I. H., Liao, H. Y. YOLOv9: learning what you want to learn using programmable gradient information. Lect Notes Comput Sci. 14640 (1), 1-21 (2024).
  9. Wang, A., et al. YOLOv10: real-time end-to-end object detection. arXiv. , (2024).
  10. Khanam, R., Hussain, M. YOLOv11: an overview of the key architectural enhancements. arXiv. , (2024).
  11. Ye, Q., Doermann, D. YOLOv12: attention-centric real-time object detectors. arXiv. , (2025).
  12. Lei, M., et al. YOLOv13: real-time object detection with hypergraph-enhanced adaptive visual perception. arXiv. , (2025).
  13. Object detection using YOLO: a survey. Tripathi, P., Gupta, M., Srivastava, C., Dixit, P., Pandey, S. Int Conf Softw Eng Technol (ICSET), 12 (1), 747-752 (2022).
  14. YOLO9000better: better, faster, stronger. Redmon, J., Farhadi, A. Proc IEEE Conf Comput Vis Pattern Recognit (CVPR), , (2017).
  15. Batch normalization: accelerating deep network training by reducing internal covariate shift. Ioffe, S., Szegedy, C. Proc Int Conf Mach Learn (ICML), , (2015).
  16. Redmon, J., Farhadi, A. YOLOv3: an incremental improvement. arXiv. , (2018).
  17. Bochkovskiy, A., Wang, C. Y., Liao, H. Y. YOLOv4: optimal speed and accuracy of object detection. arXiv. , (2020).
  18. Misra, D. Mish: a self-regularized non-monotonic neural activation function. arXiv. , (2019).
  19. Zhang, Z., et al. Bag of freebies for training object detection neural networks. arXiv. , (2019).
  20. Khanam, R., Hussain, M. What is YOLOv5? a deep look into the internal features of the popular object detector. arXiv. , (2024).
  21. Li, C., et al. YOLOv6: a single-stage object detection framework for industrial applications. arXiv. , (2022).
  22. Ding, X., et al. RepVGG: making VGG-style ConvNets great again. arXiv. , (2021).
  23. Jiao, L., Abdullah, M. I. YOLO series algorithms in object detection of unmanned aerial vehicles: a survey. Serv Oriented Comput Appl. 18 (1), 269-298 (2024).
  24. Ge, Z., Liu, S., Wang, F., Li, Z., Sun, J. YOLOX: exceeding YOLO series in 2021. arXiv. , (2021).
  25. Wang, C. Y., Yeh, I. H., Liao, H. Y. You only learn one representation: unified network for multiple tasks. arXiv. , (2021).
  26. A study on cow monitoring system for calving process. Sumi, K., Zin, T. T., Kobayashi, I., Horii, Y. Proc IEEE Glob Conf Consum Electron (GCCE), , (2017).
  27. Image technology-based cow identification system using deep learning. Zin, T. T., Phyo, C. N., Tin, P., Hama, H., Kobayashi, I. Proc Int Multiconf Eng Comput Sci (IMECS), 1, 236-247 (2018).
  28. Mu, Y., et al. Research on the behavior recognition of beef cattle based on the improved lightweight CBR-YOLO model derived from YOLOv8 in multi-scene weather. Animals. 14 (19), 2800(2024).
  29. Tong, L., Fang, J., Wang, X., Zhao, Y. Research on cattle behavior recognition and multi-object tracking algorithm based on YOLO-BoT. Animals. 14 (20), 2993(2024).
  30. Hao, W., et al. Cattle body detection based on YOLOv5-EMA for precision livestock farming. Animals. 13 (23), 3535(2023).
  31. Guarnido, P., Ramirez-Agudelo, J. F., Denimal, E., Benaouda, M. Programming and setting up the object detection algorithm YOLO to determine feeding activities of beef cattle: a comparison between YOLOv8m and YOLOv10m. Animals. 14 (19), 2821(2024).
  32. Liang, S., et al. Edge YOLO: real-time intelligent object detection system based on edge-cloud cooperation in autonomous vehicles. IEEE Trans Intell Transp Syst. 22 (12), 1-16 (2022).
  33. Rey, L., et al. A performance analysis of You Only Look Once models for deployment on constrained computational edge devices in drone applications. Electronics. 14 (3), 638(2025).
  34. Sen, A., Mishra, T., Dash, R. Novel human-machine interface via robust hand gesture recognition system using channel-pruned YOLOv5s model. arXiv. , (2024).
  35. Chen, R., Tian, X. Gesture detection and recognition based on object detection in complex background. Appl Sci. 13 (7), 4480(2023).
  36. Raj, R. R., Turuk, M., Jagdale, J., Anish, M. Performance comparison of different versions of YOLO for Indian sign language captioning in real time of multiple signers. Procedia Comput Sci. , 991-1000 (2025).
  37. Binti Aziz, A., et al. YOLO-V4 based detection of varied hand gestures in heterogeneous settings. Adv Intell Syst Comput. , Springer. Cham. (2024).
  38. Zhuang, H., Xia, Y., Wang, N., Dong, L. High inclusiveness and accuracy motion blur real-time gesture recognition based on YOLOv4 model combined attention mechanism and DeblurGanv2. Appl Sci. 11 (21), 9982(2021).
  39. Li, G., et al. Design and development of a broiler mortality removal robot. Appl Eng Agric. 38 (3), 401-409 (2022).
  40. Hao, H., et al. A dead broiler inspection system for large-scale breeding farms based on deep learning. Agriculture. 12 (8), 1176(2022).
  41. Yang, J., et al. A detection method for dead caged hens based on improved YOLOv7. Comput Electron Agric. 226, 109388(2024).
  42. Bist, R., Subedi, S., Yang, X., Chai, L. Automatic detection of cage-free dead hens with deep learning methods. AgriEngineering. 5 (2), 1020-1038 (2023).

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Mots-clés

Architectures YOLOd tection du comportement des bovinsm triques de d tection d objetsanalyse comparative de mod lesd ploiement en p riph riebien tre animalvitesse d inf rence
Contactez-nous
Recommander à la bibliothèque

Confidentialité

Conditions d'utilisation

Politiques

Copyright © 2026 MyJoVE Corporation. Tous droits réservés.