הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

השוואת ארכיטקטורות YOLOv8-v13 לניטור בקר חכם בזמן אמת וניהול משק מונע נתונים בגידול בעלי חיים מדויק

959 צפיות

⸱

DOI:

10.3791/69490

⸱

14 בנובמבר 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

במאמר זה

סיכום

פרוטוקול זה בחן שישה מודלים של YOLO לזיהוי התנהגות בקר בזמן אמת כדי לתמוך באופטימיזציה של רווחה וניהול חוות.

תקציר

זיהוי התנהגות בקר בזמן אמת ומדויק הוא חיוני לשיפור רווחת בעלי החיים ולאופטימיזציה של ניהול בעלי חיים. כדי לטפל בכך, מחקר זה מעריך באופן מקיף שישה מודלים קלים של YOLO (אתה מסתכל רק פעם אחת) שפותחו על ידי הקהילה - YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n ו- YOLOv13n - לזיהוי חמש התנהגויות בקר מרכזיות (עמידה, שכיבה, חיפוש מזון, שתייה והרהורים) באמצעות מערך הנתונים המותאם אישית של CBVD-5. מערך הנתונים כולל תנאי תאורה מגוונים וסביבות אסם טבעיות כדי לשקף תרחישי ניטור בעולם האמיתי. כל המודלים הוערכו באמצעות מדדי זיהוי אובייקטים סטנדרטיים (דיוק, זיכרון, mAP@50 ו-mAP@50-95) ואינדיקטורים מוכווני פריסה כולל זמן הסקה, פריימים לשנייה (FPS), גודל המודל ומשך האימון כדי לספק הערכה מאוזנת של דיוק ויעילות. YOLOv13n השיג את ה-mAP@50-95 הגבוה ביותר (0.712), בעוד ש-YOLOv11n הגיע ל-mAP@50 הגבוה ביותר (0.967) והפגין התכנסות יציבה עם פשרה טובה בין דיוק הזיהוי למהירות ההסקה. YOLOv10n הדגימה את מהירות ההסקה המהירה ביותר (1.2 אלפיות השנייה למסגרת, ~833 FPS), מה שהופך אותה למתאימה היטב ליישומים רגישים לחביון כגון מעקב אסם רציף. כל הדגמים שמרו על גדלים קומפקטיים מתחת ל-6 MB ותפוקה בזמן אמת העולה על ~300 FPS, מה שמאשר את המעשיות שלהם לפריסת קצה. התוצאות יוצרות מסגרת בנצ'מרק הניתנת לשחזור להערכת גרסאות YOLO מודרניות, ומציעות תובנות לגבי בחירת מודלים למערכות ניטור בעלי חיים יעילות, ניתנות להרחבה ומוכוונות רווחה.

מבוא

ניטור יעיל של התנהגות בקר חיוני בגידול מדויק של בעלי חיים, תמיכה בניהול רווחה, זיהוי מחלות ואופטימיזציה תפעולית. גישות מבוססות ראייה לא פולשניות מבטיחות במיוחד בשל יכולת ההרחבה והרבגוניות שלהן. מערכי נתונים סטנדרטיים כגון CBVD-5 (Cow Behavior Video Dataset with 5 מחלקות) מציעים הערות התנהגות מגוונות על פני תנאי תאורה מגוונים, מה שהופך אותם לאמות מידה חשובות בתחום זה1. ברוב הגדרות החווה המעשיות, המצלמות מקובעות בגובה בינוני עם תאורה יציבה יחסית, אם כי חסימה מדי פעם בקרב בקר עלולה להשפיע על ביצועי הזיהוי. זיהוי התנהגות בבעלי חיים ממשיך להתמודד עם אתגרים כמו חסימה, שונות תנועה ונתוני אימון דלילים. כדי להתמודד עם אתגרים אלה, עבודות קודמות חקרו גישות מבוססות חיישנים2, מידול דפוסי תמונה3 ואסטרטגיות למידה עמוקה אנסמבל4. מסגרות זיהוי אובייקטים כמו YOLO (You Only Look Once), שהוצגה לראשונה על ידי Redmon et al.5, והגרסה המתקדמת יותר שלה YOLOv76, בולטות ביכולתן לאזן בין דיוק זיהוי, חביון ויעילות חישובית. במחקר זה, ביצועים בזמן אמת מתייחסים להשגת מהירות הסקה מעל 30 פריימים לשנייה (FPS), מה שמבטיח מעקב התנהגות חלק ורציף מבוסס וידאו בהגדרות חווה מעשיות. מחקר זה מעריך באופן שיטתי את הביצועים של YOLOv8n עד YOLOv13n במערך הנתונים CBVD-5, תוך שימת דגש על אילוצי זיהוי התנהגות ופריסה בזמן אמת. ההתקדמות האחרונה בארכיטקטורת YOLO, כולל מהדורות הקהילה הפתוחה YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 ו-YOLOv1312, הציגו שיפורים בדיוק הזיהוי וביעילות החישובית. מודלים אלה ממנפים חידושים כמו למידה מרובת משימות, ראשים ללא עוגן ולמידת העברה אופטימלית, מה שהופך אותם למתאימים יותר לסביבות מוגבלות במשאבים שנתקלים בהן בדרך כלל בחוות בעלי חיים בקנה מידה גדול. עם זאת, למיטב ידיעתנו, לא נערך מחקר מקיף שהעריך את המודלים הללו במיוחד לזיהוי התנהגות בקר. כדי למלא את הפער הזה, אנו עורכים הערכה השוואתית של מודלים עדכניים של YOLO (v8n-v13n) לזיהוי התנהגות בקר באמצעות מערך נתונים שנועד לדמות סביבות חקלאיות בעולם האמיתי. המודלים מוערכים באמצעות מדדי זיהוי סטנדרטיים כגון דיוק ממוצע ממוצע (mAP), דיוק, זיכרון, זמן הסקה ו-FPS כדי לקבוע איזה וריאנט מתאים ביותר ליישומי ניטור בקר בזמן אמת בתנאי חקלאות. במקום להציע ארכיטקטורה חדשה, מחקר זה מבסס מסגרת בנצ'מרק שיטתית וניתנת לשחזור עבור גרסאות YOLO האחרונות בהקשר של ניטור התנהגות בעלי חיים, תוך התייחסות לפער בספרות הנוכחית שבו הביצועים ההשוואתיים שלהם עדיין לא נחקרו ברובם.

משפחת גלאי העצמים YOLO קידמה משמעותית את הראייה הממוחשבת בזמן אמת, במיוחד ביישומים הדורשים מהירות ודיוק כאחד. בזיהוי התנהגות בקר, כאשר ניטור בזמן אמת של תנועות בעלי חיים הוא חיוני, איזון התכונות הללו של YOLO הופך אותו ליעיל ביותר. סקירה זו מתארת את האבולוציה של מודלים של YOLO, מהגרסאות המוקדמות ועד העדכניות ביותר, ומדגישה את החידושים העיקריים הרלוונטיים לזיהוי התנהגות בקר. כל איטרציה הציגה שיפורים במהירות הזיהוי, הדיוק והחוסן בתנאי חווה, מה שהופך את דגמי YOLO למתאימים יותר ויותר לניטור בקר בסביבות דינמיות.

הדורות הראשונים של YOLO (v1-v3) הקימו את הבסיס לזיהוי אובייקטים חד-שלבי על ידי איחוד סיווג ולוקליזציה למסגרת רגרסיה אחת. גרסאות אלו שיפרו בהדרגה את מהירות ההסקה, הדיוק המרחבי ויכולת הזיהוי הרב-ממדית, והניחו את היסודות ליישום YOLO בניתוח התנהגות בעלי חיים ותרחישים חקלאיים אחרים בזמן אמת 13,14,15,16. עם שחרורו של YOLOv4 ב-2020, הארכיטקטורה ראתה שיפורים נוספים, כולל אימוץ עמוד השדרה Cross Stage Partial (CSP), הפעלת Mish וטכניקות צבירת תכונות מתקדמות 17,18,19. עדכונים אלה שיפרו את ביצועי המודל במערכי נתונים קטנים יותר, תרחיש נפוץ בזיהוי התנהגות בעלי חיים עקב דגימות מוגבלות עם הערות לאירועים נדירים. פרויקט YOLOv5 מונע הקהילה, שהושק על ידי Ultralytics בשנת 2020, זכה לאימוץ נרחב בזכות העיצוב המודולרי שלו וקלות הפריסה באמצעות מסגרת PyTorch20. למרות שלא לווה במאמר שנבדק על ידי עמיתים, YOLOv5 הפך לקו בסיס דה פקטו במשימות זיהוי בקר בזמן אמת בשל האיזון החזק שלו בין דיוק לגמישות הפריסה. YOLOv6, שיצא בשנת 2022, נתן עדיפות לעיצוב ידידותי לחומרה עם עמוד השדרה EfficientRep וצוואר Rep-PAN21,22. על ידי שילוב זיהוי ללא עוגן, המודל שיפר את החוסן בתרחישים הכוללים חסימה ונראות חלקית, תנאים בהם נתקלים לעתים קרובות בסביבות בקר צפופות. YOLOv7 ייעל עוד יותר את היעילות החישובית באמצעות ארכיטקטורת E-ELAN, ומאפשר אימון מהיר יותר וביצועים משופרים על פני סולמות זיהוי מרובים23. במקביל, מודלים חלופיים כגון YOLOX24 ו-YOLOR25 מתקדמים במהירות זיהוי והכללה, שתיהן תכונות חיוניות למערכות ניטור בעלי חיים חיצוניות. מהדורת 2023 של YOLOv8 של Ultralytics הציגה מספר שינויים ארכיטקטוניים, כולל ראשים נטולי עוגן, שינוי פרמטרים מבני ואסטרטגיות הגדלה חזקות יותר. עדכונים אלה סיפקו שיפורים משמעותיים הן ברמת הזיהוי והן במהירות ההסקה, מה שהופך את YOLOv8 לאופציה תחרותית לניתוח התנהגות בקר בזמן אמת. האבולוציה נמשכה עם הופעתם של YOLOv9, YOLOv10, YOLOv11, YOLOv12 ו-YOLOv13. YOLOv9 שילב למידה מרובת משימות כדי לשפר במשותף את הסיווג, הלוקליזציה ומשימות עזר כמו זיהוי נקודות מפתח. YOLOv10 נבנה על בסיס זה על ידי הטמעת מודולי התאמת תחום ומנגנוני קשב מודעים לסגמנטציה. YOLOv11 הציגה פרוטוקולי אימון בפיקוח עצמי שהפחיתו את התלות בנתונים מתויגים במלואם, והציעו יתרונות ביישומים דלילי נתונים כמו ניטור התנהגות בקר. YOLOv12 הדגיש היתוך תכונות משופר ופרמטריזציה דינמית. לבסוף, YOLOv13 שילבה מודולים מבוססי שנאי ותשומת לב מרחבית-זמנית, המציעה ביצועים מעולים לזיהוי מהיר וזמן אחזור נמוך בתרחישים חקלאיים מורכבים בזמן אמת.

בשנים האחרונות, מודלים של למידה עמוקה מבוססי YOLO הפכו לשימוש נרחב לניטור התנהגות בקר אוטומטי ובזמן אמת בגלל היעילות והדיוק שלהם. לפני אימוץ הגלאים מבוססי YOLO, מספר מערכות מבוססות ראייה מוקדמות הדגימו את ההיתכנות של ניטור בעלי חיים מונע תמונה. לדוגמה, Sumi et al. פיתחו מערכת ניטור פרות לזיהוי המלטות באמצעות ניתוח תכונות תנועה26, בעוד ש-Zin et al. הציעו מסגרת זיהוי פרה מבוססת למידה עמוקה שהשיגה דיוק זיהוי של 97%27. עבודות אלה הניחו את היסודות לגישות הבאות לזיהוי אובייקטים בגידול בעלי חיים מדויקים. מספר מחקרים יישמו גרסאות שונות של YOLO לסיווג התנהגות, מעקב אחר תנועה וזיהוי יציבה בתנאים מגוונים. לדוגמה, Mu et al. הציעו מודל משופר קל משקל לזיהוי התנהגות בקר-YOLO28 (CBR-YOLO) המבוסס על YOLOv8, המותאם להסתגלות למזג אוויר מרובה סצנות. המודל השיג דיוק ממוצע של 90.2% תוך הפחתה משמעותית של ספירת הפרמטרים. טונג ועמיתיו הציגו את מודל YOLO-BoT29, המשלב מודולים מבוססי קשב ושנאי ב-YOLOv8 לזיהוי ומעקב אחר התנהגות בקר בסביבות מורכבות, והשיגו mAP זיהוי של 91.7% ב-31.2 FPS. האו ועמיתיו שילבו מנגנון קשב רב-ממדי יעיל (EMA) ב-YOLOv530 (YOLOv5-EMA), ששיפר את ביצועי הזיהוי של חלקי גוף של בקר (למשל, ראש, רגליים), והגיע לערכי mAP בין 94.8% ל-95.5%. Guarnido-Lopez et al.31 העריכו את YOLOv8 ו-YOLOv10 לזיהוי התנהגויות הקשורות להאכלה (למשל, לעיסה, נשיכה, התקרבות) בשוורים של Charolais, ודיווחו כי YOLOv10 עלה מעט על YOLOv8 ב-mAP@50, mAP@50-95, דיוק וזיכרון, בעוד ש-YOLOv8 הפגין התכנסות מהירה יותר והתאמת יתר נמוכה יותר. בעוד ש-YOLOv1 עד YOLOv8 אומצו באופן נרחב ותוקפו עבור משימות הקשורות לבעלי חיים, הישימות של YOLOv9 עד YOLOv13 בתחום זה נותרה לא נחקרת. עד כה, לא הייתה הערכה מקיפה של המודלים החדשים הללו לזיהוי התנהגות בקר, מה שמדגיש פער קריטי במחקר הקיים ומניע חקירה נוספת לגבי ביצועיהם בעולם האמיתי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

1. הכנת מערך נתונים

הערה: מחקר זה לא כלל ניסויים חדשים בבעלי חיים. כל הנתונים התקבלו ממערך הנתונים CBVD-5 הזמין לציבור, שנאסף ושוחרר בהתאם להנחיות המוסדיות לטיפול בבעלי חיים על ידי מחבריו המקוריים. לכן, לא נדרש אישור אתי נוסף לעבודה זו.

  1. מערך הנתונים כולל הקלטות מעקב רציפות שצולמו על ידי שבע מצלמות Dahua (עדשות 2.8 מ"מ ו-3.6 מ"מ, דגם M/K) המחוברות באמצעות מתגי ג'יגה-ביט ומקליטי וידאו ברשת, המכסים 5 ימים של תצפית ללא הפרעה בתנאי תאורת אסם סטנדרטיים.
  2. חלץ מסגרות מייצגות כדי להשיג 25,000 מסגרות מפתח מבוארות, מה שמבטיח גיוון זמני בין סוגי התנהגות. ביאורים לחמש מחלקות התנהגות, עמידה, שקר, ליקוט מזון, שתייה והרהורים, באמצעות VGG Image Annotator (VIA v3.0.11) בהתאם לפורמט התיבה התוחמת של AVA. צור פרויקט VIA מאוחד באמצעות סכימת התווית {עמידה, שקר, ליקוט מזון, שתייה, רומינציה}. לאחר מכן ייצא את ההערות כקבצי JSON והמר אותם לפורמט TXT תואם YOLO באמצעות Roboflow (הגדר נורמליזציה = True ומחלקה אחת לכל שורה בהגדרות הפרויקט).
  3. שנה את גודל כל התמונות ל- 640 × 640 פיקסלים והחל כיוון אוטומטי.
  4. בצע הגדלת נתונים ב-Roboflow, החלת היפוכים אופקיים אקראיים (p = 0.5), סיבובים בתוך ±10 ושונות בהירות/ניגודיות בטווח של ±15% כדי לשפר את הכללת המודל.
  5. פצל את מערך הנתונים לקבוצות משנה של אימון, אימות ובדיקה ביחס של 70/20/10 (תמונות 2049/585/293).

2. בחירת דגם והגדרה

  1. בחר שש ארכיטקטורות YOLO קלות משקל: YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n ו-YOLOv13n.
  2. רשום מפרטי מודל, כולל מספר כולל של שכבות, ספירת פרמטרים ו-GFLOPs כדי להשוות דרישות חישוביות, כפי שמסוכם בטבלה 1.
  3. סביבת המחשוב ומפרטי החומרה-תוכנה המשמשים במחקר זה מפורטים בטבלת החומרים. זרעים אקראיים דטרמיניסטיים נקבעו ל-0, 42, 1337 לצורך שחזור.
  4. אתחל כל דגם עם משקולות רשמיות שהוכשרו מראש (למשל, yolov10n.pt, yolov13n.pt).

3. אימון מודל

  1. אמן את כל דגמי YOLO תחת הגדרות ניסיוניות זהות באמצעות מסגרת Ultralytics YOLO (v8.3.63).
  2. תקן את רזולוציית הקלט ל-640 ×-640 פיקסלים, עם גודל אצווה = 128 וקצב למידה ראשוני של 0.01 (אופטימיזציה SGD, מתזמן קוסינוס).
  3. פקודת הדרכה מייצגת עבור כל דגם (דוגמה: YOLOv8n):
    תוצאות = model.train(
    data=f'{dataset.location}/data.yaml',
    תקופות = 800,
    סבלנות=30,
    אצווה = 128,
    imgsz = 640,
    name='yolov8n_test_800_epoch',
    save_period=100,
    מאומן מראש=נכון,
    amp=True,
    עובדים=16,
    זרע=1337
    )
  4. החל עצירה מוקדמת כאשר מדד כושר האימות הפנימי (מורכב משוקלל של דיוק, זיכרון ו-mAP@50-95) התייצב במשך 30 תקופות רצופות.
  5. בחר את נקודת הביקורת הטובה ביותר עבור כל ריצה על סמך האימות הגבוה ביותר mAP@50-95, וממוצע הערכים הסופיים על פני שלושה זרעים (0, 42, 1337) כדי להבטיח שחזור.
  6. אל תכלול גרסאות גדולות יותר (למשל, YOLOv10m, YOLOv11l) עקב דרישות משאבים גבוהות, כדי להבטיח היתכנות במכשירי קצה32.

4. הערכת מודל

  1. ביצועי המודל הוערכו באמצעות פונקציית האימות המובנית של Ultralytics:
    metrics = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. חשב mAP@50 ו-mAP@50-95.
  3. צור מטריצות בלבול כדי לבחון ביצועים בכיתה.
  4. מדדים הקשורים ליעילות, כולל חביון (ms/frame), FPS, גודל המודל (MB) ומשך האימון, נרשמו אוטומטית. כאן, FPS חושב כהדדיות של זמן הביצוע הכולל לכל מסגרת, שכלל עיבוד מקדים, הסקת מודל ושלבי עיבוד לאחר.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

חלק זה מציג את תוצאות ההערכה של YOLOv8 באמצעות מודלים של YOLOv13 על מערך הנתונים CBVD-5 לזיהוי בקר רב התנהגותי. הניתוח מתמקד בדיוק הזיהוי, התכנסות האימון, התפלגות התנהגותית והתאמת הפריסה בסביבות מוגבלות במשאבים. איכות מערך הנתונים ואיזון המעמד עוקבים אחר הפיצולים המתוארים בפרוטוקול (70/20/10), מה שמבטיח ייצוג עקבי של כל חמש ההתנהגויות על פני ערכות אימון, אימות ובדיקות. איור 1 מראה שהתנהגויות הבקר המבוארות בדרך כלל מרוכזות היטב בתוך המסגרת. הקואורדינטות המרכזיות האנכיות מוטות מעט נמוך יותר, מ...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

ההצלחה הכוללת של המסגרת ההשוואתית המוצעת תלויה באופן קריטי במספר שלבי פרוטוקול, כולל הערת התנהגות איכותית, הגדלת נתונים מגוונת וניטור התכנסות יציבה במהלך האימון. גורמים אלה מבטיחים שהבדלי ביצועי המודל משקפים שונות ארכיטקטונית אמיתית ולא רעש נתונים או אימון. מחקר זה העריך באופן שיטתי שש גרסאות YOLO קלות משקל (v8n עד v13n) לזיהוי התנהגות בקר רב-מחלקות באמצעות מערך הנתונים CBVD-5. מבין הדגמים, YOLOv11n השיג את mAP@50 הגבוה ביותר (0.967), בעוד ש-YOLOv13n סיפק את ה-mAP@50-95 הטוב ביותר (0.712...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

המחברים מצהירים שאין להם אינטרסים מתחרים.

תודות

עבודה זו מומנה על ידי מענק גישור של אוניברסיטת סיינס מלזיה, פרויקט מס': R501-LR-RND003-0000001342-0000.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
מקליט Dahua DH-NVR2216-HDS3טכנולוגיית דהואהhttps://www.dahuasecurity.com/
מתג ג'יגהביט Dahua DH-S3000C-16GTטכנולוגיית דהואהhttps://www.dahuasecurity.com/
מצלמת אבטחה Dahua M/K (עדשת 2.8 מ"מ / 3.6 מ"מ)טכנולוגיית דהואהhttps://www.dahuasecurity.com/
גוגל קולאב פרוגוגלhttps://colab.research.google.com/
Matplotlibקהילת Matplotlibhttps://matplotlib.org/
כרטיס מסך NVIDIA A100NVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyקהילת NumPyhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
אופטונה (אופטימיזציה של היפרפרמטרים)Optuna.orghttps://optuna.org/
פנדהקהילת הפנדותhttps://pandas.pydata.org/
PyTorch (v2.0+)קרן פייטורץ'https://pytorch.org/
פייתון (v3.10)קרן התוכנה של פייתוןhttps://www.python.org/
מערך הנתונים של Roboflow TSLרובופלוhttps://roboflow.com/
אובונטו 20.04 LTSהקנוניhttps://ubuntu.com/
קוד Visual Studioמיקרוסופטhttps://code.visualstudio.com/
YOLOv13אולטרליטיקהhttps://github.com/ultralytics/YOLOv13
YOLOv9אולטרליטיקהhttps://github.com/ultralytics/YOLOv9

מקורות

  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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

תגיות

YOLO
צור קשר
המלצה לספרייה

פרטיות

תנאי שימוש

מדיניות

2026 © זכויות יוצרים MyJoVE Corporation. כל הזכויות שמורות.