Articolo metodologico

Benchmarking delle architetture YOLOv8-v13 per il monitoraggio intelligente del bestiame in tempo reale e la gestione delle aziende agricole basata sui dati nell'allevamento di precisione

958 visualizzazioni

⸱

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

In questo articolo

Sommario

Questo protocollo confronta sei modelli YOLO per il rilevamento del comportamento del bestiame in tempo reale per supportare l'ottimizzazione del benessere e della gestione dell'azienda agricola.

Abstract

Il rilevamento accurato e in tempo reale del comportamento del bestiame è fondamentale per migliorare il benessere degli animali e ottimizzare la gestione del bestiame. Per affrontare questo problema, questo studio valuta in modo completo sei modelli YOLO (You Only Look Once) leggeri sviluppati dalla comunità - YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n e YOLOv13n - per riconoscere cinque comportamenti chiave del bestiame (in piedi, sdraiato, foraggiamento, bere e ruminazione) utilizzando il set di dati CBVD-5 personalizzato. Il set di dati include diverse condizioni di illuminazione e ambienti naturali della stalla per riflettere gli scenari di monitoraggio del mondo reale. Tutti i modelli sono stati valutati utilizzando metriche standard di rilevamento degli oggetti (precisione, richiamo, mAP@50 e mAP@50-95) e indicatori orientati all'implementazione, tra cui il tempo di inferenza, i fotogrammi al secondo (FPS), le dimensioni del modello e la durata dell'addestramento per fornire una valutazione equilibrata di accuratezza ed efficienza. YOLOv13n ha raggiunto il mAP@50-95 più alto (0,712), mentre YOLOv11n ha raggiunto il mAP@50 più alto (0,967) e ha mostrato una convergenza stabile con un buon compromesso tra accuratezza di rilevamento e velocità di inferenza. YOLOv10n ha dimostrato la massima velocità di inferenza (1,2 ms/frame, ~833 FPS), il che lo rende adatto per applicazioni sensibili alla latenza come la sorveglianza continua della stalla. Tutti i modelli hanno mantenuto dimensioni compatte inferiori a 6 MB e un throughput in tempo reale superiore a ~300 FPS, confermando la loro praticità per l'implementazione edge. I risultati stabiliscono un quadro di benchmarking riproducibile per la valutazione delle moderne varianti YOLO, offrendo approfondimenti sulla selezione dei modelli per sistemi di monitoraggio del bestiame efficienti, scalabili e orientati al benessere.

Introduzione

Il monitoraggio efficiente del comportamento del bestiame è essenziale nell'allevamento di precisione, in quanto supporta la gestione del benessere, il rilevamento delle malattie e l'ottimizzazione operativa. Gli approcci non invasivi basati sulla visione sono particolarmente promettenti grazie alla loro scalabilità e versatilità. Set di dati standardizzati come CBVD-5 (Cow Behavior Video Dataset with 5 classes) offrono diverse annotazioni comportamentali in varie condizioni di illuminazione, rendendoli preziosi punti di riferimento in questo dominio1. Nella maggior parte degli ambienti agricoli pratici, le telecamere sono fissate a un'altezza moderata con un'illuminazione relativamente stabile, anche se l'occlusione occasionale tra i bovini può influire sulle prestazioni di rilevamento. Il riconoscimento del comportamento nel bestiame continua ad affrontare sfide come l'occlusione, la variabilità del movimento e la scarsità di dati di addestramento. Per affrontare queste sfide, i lavori precedenti hanno esplorato approcci basati su sensori2, modellazione di modelli di immagini3 e strategie di deep learningd'insieme 4. I framework di rilevamento degli oggetti come YOLO (You Only Look Once), introdotto per la prima volta da Redmon et al.5, e la sua versione più avanzata YOLOv76, si distinguono per la loro capacità di bilanciare l'accuratezza del rilevamento, la latenza e l'efficienza computazionale. In questo studio, le prestazioni in tempo reale si riferiscono al raggiungimento di una velocità di inferenza superiore a 30 fotogrammi al secondo (FPS), che garantisce un monitoraggio del comportamento fluido e continuo basato su video in contesti pratici di fattoria. Questo studio valuta sistematicamente le prestazioni di YOLOv8n fino a YOLOv13n sul set di dati CBVD-5, sottolineando i vincoli di rilevamento e distribuzione del comportamento in tempo reale. I recenti progressi nell'architettura YOLO, tra cui le versioni della comunità aperta YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 e YOLOv1312, hanno introdotto miglioramenti nella precisione di rilevamento e nell'efficienza computazionale. Questi modelli sfruttano innovazioni come l'apprendimento multi-tasking, le teste senza ancoraggio e l'apprendimento di trasferimento ottimizzato, rendendoli più adatti per ambienti con risorse limitate che si incontrano tipicamente negli allevamenti di bestiame su larga scala. Tuttavia, per quanto ne sappiamo, non è stato condotto uno studio completo che valuti questi modelli specificamente per il riconoscimento del comportamento del bestiame. Per colmare questa lacuna, conduciamo una valutazione comparativa dei recenti modelli YOLO (v8n-v13n) per il rilevamento del comportamento del bestiame utilizzando un set di dati progettato per simulare ambienti agricoli del mondo reale. I modelli vengono valutati utilizzando metriche di rilevamento standard come la precisione media media (mAP), la precisione, il richiamo, il tempo di inferenza e l'FPS per determinare quale variante è più adatta per le applicazioni di monitoraggio del bestiame in tempo reale in condizioni di allevamento. Piuttosto che proporre una nuova architettura, questo studio stabilisce un quadro di benchmarking sistematico e riproducibile per le recenti varianti YOLO nel contesto del monitoraggio del comportamento del bestiame, colmando una lacuna nella letteratura attuale in cui le loro prestazioni comparative rimangono in gran parte inesplorate.

La famiglia di rilevatori di oggetti YOLO ha migliorato notevolmente la visione artificiale in tempo reale, soprattutto nelle applicazioni che richiedono velocità e precisione. Nel riconoscimento del comportamento del bestiame, dove il monitoraggio in tempo reale dei movimenti del bestiame è essenziale, l'equilibrio di questi attributi di YOLO lo rende estremamente efficace. Questa revisione delinea l'evoluzione dei modelli YOLO, dalle prime versioni alle più recenti, evidenziando le innovazioni chiave rilevanti per il rilevamento del comportamento del bestiame. Ogni iterazione ha introdotto miglioramenti nella velocità di rilevamento, nell'accuratezza e nella robustezza in condizioni di allevamento, rendendo i modelli YOLO sempre più adatti al monitoraggio del bestiame in ambienti dinamici.

Le prime generazioni di YOLO (v1-v3) hanno gettato le basi per il rilevamento di oggetti in un'unica fase unificando la classificazione e la localizzazione in un unico framework di regressione. Queste versioni hanno progressivamente migliorato la velocità di inferenza, la precisione spaziale e la capacità di rilevamento multiscala, gettando le basi per l'applicazione di YOLO nell'analisi del comportamento del bestiame e in altri scenari agricoli in tempo reale 13,14,15,16. Con il rilascio di YOLOv4 nel 2020, l'architettura ha visto ulteriori perfezionamenti, tra cui l'adozione della dorsale Cross Stage Partial (CSP), l'attivazione Mish e tecniche avanzate di aggregazione delle funzionalità 17,18,19. Questi aggiornamenti hanno migliorato le prestazioni del modello su set di dati più piccoli, uno scenario comune nel rilevamento del comportamento del bestiame a causa di campioni annotati limitati per eventi rari. Il progetto YOLOv5, guidato dalla comunità, lanciato da Ultralytics nel 2020, ha ottenuto un'ampia adozione per il suo design modulare e la facilità di implementazione tramite un framework PyTorch20. Sebbene non sia accompagnato da un documento sottoposto a revisione paritaria, YOLOv5 è diventato di fatto un punto di riferimento nelle attività di rilevamento del bestiame in tempo reale grazie al suo forte equilibrio tra precisione e flessibilità di implementazione. YOLOv6, rilasciato nel 2022, ha dato la priorità al design compatibile con l'hardware con la dorsale EfficientRep e il manico Rep-PAN21,22. Incorporando il rilevamento senza ancore, il modello ha migliorato la robustezza in scenari che coinvolgono l'occlusione e la visibilità parziale, condizioni che si incontrano frequentemente in ambienti affollati per il bestiame. YOLOv7 ha ulteriormente ottimizzato l'efficienza computazionale attraverso l'architettura E-ELAN, consentendo un addestramento più rapido e prestazioni migliorate su più scale di rilevamento23. Allo stesso tempo, modelli alternativi come YOLOX24 e YOLOR25 migliorano la velocità di rilevamento e la generalizzazione, entrambi attributi essenziali per i sistemi di monitoraggio del bestiame all'aperto. La versione 2023 di YOLOv8 di Ultralytics ha introdotto diverse modifiche all'architettura, tra cui teste senza ancoraggio, riparametrizzazione strutturale e strategie di aumento più forti. Questi aggiornamenti hanno apportato miglioramenti significativi sia in termini di precisione di rilevamento che di velocità di inferenza, rendendo YOLOv8 un'opzione competitiva per l'analisi del comportamento del bestiame in tempo reale. L'evoluzione è continuata con l'emergere di YOLOv9, YOLOv10, YOLOv11, YOLOv12 e YOLOv13. YOLOv9 ha integrato l'apprendimento multi-task per migliorare congiuntamente la classificazione, la localizzazione e le attività ausiliarie come il rilevamento dei punti chiave. YOLOv10 è stato costruito su questa base incorporando moduli di adattamento del dominio e meccanismi di attenzione sensibili alla segmentazione. YOLOv11 ha introdotto protocolli di formazione auto-supervisionati che hanno ridotto la dipendenza da dati completamente etichettati, offrendo vantaggi in applicazioni con scarsità di dati come il monitoraggio del comportamento del bestiame. YOLOv12 ha enfatizzato una migliore fusione delle funzionalità e la riparametrizzazione dinamica. Infine, YOLOv13 ha incorporato moduli basati su trasformatori e attenzione spazio-temporale, offrendo prestazioni superiori per il rilevamento ad alta velocità e bassa latenza in scenari agricoli complessi e in tempo reale.

Negli ultimi anni, i modelli di deep learning basati su YOLO sono diventati ampiamente utilizzati per il monitoraggio automatizzato e in tempo reale del comportamento del bestiame grazie alla loro efficienza e precisione. Prima dell'adozione dei rivelatori basati su YOLO, diversi sistemi basati sulla visione avevano dimostrato la fattibilità del monitoraggio del bestiame basato su immagini. Ad esempio, Sumi et al. hanno sviluppato un sistema di monitoraggio delle vacche per il rilevamento del parto utilizzando l'analisi delle caratteristiche del movimento26, mentre Zin et al. hanno proposto un framework di identificazione delle vacche basato sul deep learning che raggiunge un'accuratezza di riconoscimento del 97%27. Questi lavori hanno gettato le basi per i successivi approcci di rilevamento degli oggetti nell'allevamento di precisione. Diversi studi hanno applicato diverse varianti YOLO per la classificazione del comportamento, il tracciamento del movimento e il riconoscimento della postura in varie condizioni. Ad esempio, Mu et al. hanno proposto un modello leggero migliorato di Cattle Behavior Recognition-YOLO28 (CBR-YOLO) basato su YOLOv8, ottimizzato per l'adattamento meteorologico multi-scena. Il modello ha raggiunto un'accuratezza media del 90,2%, riducendo significativamente il numero di parametri. Tong et al. hanno introdotto il modello YOLO-BoT29, incorporando moduli basati su attenzione e trasformatore in YOLOv8 per il rilevamento e il monitoraggio del comportamento del bestiame in ambienti complessi, raggiungendo un mAP di rilevamento del 91,7% a 31,2 FPS. Hao et al. hanno integrato un meccanismo di attenzione multiscala efficiente (EMA) in YOLOv530 (YOLOv5-EMA), che ha migliorato le prestazioni di rilevamento per le parti del corpo del bestiame (ad esempio, testa, zampe), raggiungendo valori mAP compresi tra il 94,8% e il 95,5%. Guarnido-Lopez et al.31 hanno valutato YOLOv8 e YOLOv10 per il riconoscimento dei comportamenti correlati all'alimentazione (ad esempio, masticare, mordere, avvicinarsi) nei tori Charolais, riportando che YOLOv10 ha leggermente superato YOLOv8 in mAP@50, mAP@50-95, precisione e richiamo, mentre YOLOv8 ha mostrato una convergenza più rapida e un overfitting inferiore. Mentre YOLOv1 attraverso YOLOv8 sono stati ampiamente adottati e convalidati per compiti relativi al bestiame, l'applicabilità di YOLOv9 attraverso YOLOv13 in questo dominio rimane poco esplorata. Ad oggi, non c'è stata una valutazione completa di questi nuovi modelli per il rilevamento del comportamento del bestiame, evidenziando una lacuna critica nella ricerca esistente e motivando ulteriori indagini sulle loro prestazioni nel mondo reale.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Protocollo

1. Preparazione del dataset

NOTA: Questo studio non ha coinvolto nuovi esperimenti sugli animali. Tutti i dati sono stati ottenuti dal set di dati CBVD-5 disponibile al pubblico, che è stato raccolto e rilasciato in conformità con le linee guida istituzionali per la cura degli animali dai suoi autori originali. Pertanto, non è stata richiesta alcuna approvazione etica aggiuntiva per questo lavoro.

  1. Il set di dati comprende registrazioni di sorveglianza continua catturate da sette telecamere Dahua (obiettivi da 2,8 mm e 3,6 mm, modello M/K) collegate tramite switch gigabit e videoregistratori di rete, che coprono 5 giorni di osservazione ininterrotta in condizioni di illuminazione standard della stalla.
  2. Estrai fotogrammi rappresentativi per ottenere 25.000 fotogrammi chiave annotati, garantendo la diversità temporale tra i tipi di comportamento. Annota cinque classi di comportamento, in piedi, sdraiato, in cerca di cibo, bere e ruminare, utilizzando VGG Image Annotator (VIA v3.0.11) seguendo il formato AVA-bounding-box. Crea un progetto VIA unificato utilizzando lo schema dell'etichetta {standing, lying, foraging, drinking, rumination}. Quindi esporta le annotazioni come file JSON e convertile in un formato TXT compatibile con YOLO utilizzando Roboflow (imposta normalizzazione = True e una classe per riga nelle impostazioni del progetto).
  3. Ridimensiona tutte le immagini a 640 × 640 pixel e applica l'orientamento automatico.
  4. Esegui l'aumento dei dati in Roboflow, applicando capovolgimenti orizzontali casuali (p = 0,5), rotazioni entro ±10 e variazioni di luminosità/contrasto entro ±15% per migliorare la generalizzazione del modello.
  5. Suddividi il set di dati in sottoinsiemi di addestramento, convalida e test in un rapporto 70/20/10 (2049/585/293 immagini).

2. Selezione e configurazione del modello

  1. Seleziona sei architetture YOLO leggere: YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n e YOLOv13n.
  2. Registra le specifiche del modello, incluso il numero totale di livelli, il conteggio dei parametri e i GFLOP per confrontare i requisiti computazionali, come riassunto nella Tabella 1.
  3. L'ambiente di calcolo e le specifiche hardware-software utilizzate in questo studio sono elencate nella Tabella dei Materiali. I semi casuali deterministici sono stati fissati a 0, 42, 1337 per la riproducibilità.
  4. Inizializza ogni modello con pesi ufficiali pre-addestrati (ad es. yolov10n.pt, yolov13n.pt).

3. Addestramento del modello

  1. Addestra tutti i modelli YOLO con impostazioni sperimentali identiche utilizzando il framework Ultralytics YOLO (v8.3.63).
  2. Fissa la risoluzione di input a 640 × 640 pixel, con dimensione batch = 128 e una velocità di apprendimento iniziale di 0,01 (ottimizzatore SGD, pianificatore coseno).
  3. Comando di addestramento rappresentativo per ogni modello (esempio: YOLOv8n):
    risultati = model.train(
    data=f'{dataset.location}/data.yaml',
    epoche=800,
    pazienza=30,
    lotto=128,
    imgsz=640,
    nome='yolov8n_test_800_epoch',
    save_period=100,
    pretrained=Vero,
    amp=Vero,
    lavoratori=16,
    seme=1337
    )
  4. Applica l'arresto anticipato quando la metrica di idoneità della convalida interna (composito ponderato di precisione, richiamo e mAP@50-95) si stabilizza per 30 epoche consecutive.
  5. Seleziona il checkpoint migliore per ogni esecuzione in base al mAP@50-95 di convalida più alto e calcola la media dei valori finali su tre semi (0, 42, 1337) per garantire la riproducibilità.
  6. Escludere le varianti più grandi (ad es. YOLOv10m, YOLOv11l) a causa dell'elevata richiesta di risorse, per garantire la fattibilità sui dispositivi edge32.

4. Valutazione del modello

  1. Le prestazioni del modello sono state valutate utilizzando la funzione di convalida integrata di Ultralytics:
    metriche = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. Calcola mAP@50 e mAP@50-95.
  3. Genera matrici di confusione per esaminare le prestazioni in base alla classe.
  4. Le metriche relative all'efficienza, tra cui latenza (ms/frame), FPS, dimensioni del modello (MB) e durata dell'addestramento, venivano registrate automaticamente. In questo caso, l'FPS è stato calcolato come il reciproco del tempo totale di esecuzione per fotogramma, che includeva le fasi di pre-elaborazione, inferenza del modello e post-elaborazione.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Risultati

Questa sezione presenta i risultati della valutazione dei modelli da YOLOv8 a YOLOv13 sul set di dati CBVD-5 per il riconoscimento multi-comportamento dei bovini. L'analisi si concentra sull'accuratezza del rilevamento, sulla convergenza dell'addestramento, sulla distribuzione comportamentale e sull'idoneità all'implementazione in ambienti con risorse limitate. La qualità del set di dati e il bilanciamento delle classi seguono le suddivisioni descritte nel protocollo (70/20/10), garantendo una rappresentazione coerente d...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Discussione

Il successo complessivo del framework comparativo proposto dipende in modo critico da diversi passaggi del protocollo, tra cui l'annotazione del comportamento di alta qualità, l'aumento di dati diversificati e il monitoraggio stabile della convergenza durante l'addestramento. Questi fattori assicurano che le differenze di prestazioni del modello riflettano la reale variazione dell'architettura piuttosto che i dati o il rumore di addestramento. Questo studio ha valutato sistematicamente s...

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Dichiarazioni

Gli autori dichiarano di non avere interessi concorrenti.

Ringraziamenti

Questo lavoro è stato finanziato da una sovvenzione ponte dell'Università Sains Malaysia, progetto n.: R501-LR-RND003-0000001342-0000.

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Materiali

Elenco dei materiali utilizzati in questo articolo
NomeAziendaNumero di catalogoCommenti
Registratore Dahua DH-NVR2216-HDS3Tecnologia Dahuahttps://www.dahuasecurity.com/
Commutatore Gigabit Dahua DH-S3000C-16GTTecnologia Dahuahttps://www.dahuasecurity.com/
Telecamera di sorveglianza Dahua M/K (obiettivo 2,8 mm / 3,6 mm)Tecnologia Dahuahttps://www.dahuasecurity.com/
Google Colab ProGooglehttps://colab.research.google.com/
MatplotlibComunità Matplotlibhttps://matplotlib.org/
NVIDIA A100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyComunità NumPyhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna (Ottimizzazione degli iperparametri)Optuna.orghttps://optuna.org/
PandaComunità Pandashttps://pandas.pydata.org/
PyTorch (v2.0+)Fondazione PyTorchhttps://pytorch.org/
Python (v3.10)Python Software Foundationhttps://www.python.org/
Roboflow TSL DatasetRoboflowhttps://roboflow.com/
Ubuntu 20.04 LTSCanonicohttps://ubuntu.com/
Codice Visual StudioMicrosofthttps://code.visualstudio.com/
YOLOv13Ultraliticahttps://github.com/ultralytics/YOLOv13
YOLOv9Ultraliticahttps://github.com/ultralytics/YOLOv9

Riferimenti

  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).

Accesso limitato. Accedi o avvia una prova gratuita per visualizzare questo contenuto.

Ristampe e permessi

Richiedi il permesso di riutilizzare il testo o le figure di questo articolo JoVE

Richiedi permesso

Tag

Architetture YOLORilevamento del comportamento dei boviniMetriche di rilevamento degli oggettiBenchmarking dei modelliImplementazione edgeBenessere animaleVelocit di inferenza

Articoli correlati