このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。

方法論記事

YOLOv8-v13 精密畜産におけるインテリジェントなリアルタイム牛モニタリングとデータ駆動型農場管理のためのアーキテクチャのベンチマーク

959 閲覧数

⸱

DOI：

10.3791/69490

⸱

2025年11月14日

 ,  ,  ,  ,  , 
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

この記事について

サマリー

このプロトコルは、福祉と農場管理の最適化をサポートするために、リアルタイムの牛の行動検出のために6つのYOLOモデルをベンチマークします。

要約

リアルタイムかつ正確な牛の行動検出は、動物福祉を改善し、家畜管理を最適化するために非常に重要です。これに対処するため、本研究では、カスタムCBVD-5データセットを用いて、5つの主要な牛の行動(立っている、横たわる、採餌する、飲む、反芻する)を認識するために、コミュニティが開発した6つの軽量YOLO(You Only Look Once)モデル(YOLOv8n、YOLOv9t、YOLOv10n、YOLOv10n、YOLOv11n、YOLOv12n、YOLOv13n)を総合的に評価した。データセットには、現実世界の監視シナリオを反映する多様な照明条件と自然の納屋環境が含まれています。すべてのモデルは、標準的なオブジェクト検出メトリック (精度、再現率、mAP@50、mAP@50-95) と、推論時間、フレーム/秒 (FPS)、モデル サイズ、トレーニング期間などの展開指向の指標を使用して評価され、精度と効率のバランスの取れた評価が提供されました。YOLOv13nは最高のmAP@50-95(0.712)を達成し、YOLOv11nは最高のmAP@50(0.967)に達し、検出精度と推論速度のトレードオフが良好で安定した収束を示しました。YOLOv10n は最速の推論速度(1.2ミリ秒/フレーム、~833 FPS)を示し、継続的な納屋監視などレイテンシーに敏感なアプリケーションに適しています。すべてのモデルは、6MB未満のコンパクトなサイズと~300FPSを超えるリアルタイムスループットを維持し、エッジ展開の実用性を確認しました。この結果は、最新のYOLOバリアントを評価するための再現性のあるベンチマークフレームワークを確立し、効率的でスケーラブルで福祉志向の家畜モニタリングシステムのモデル選択に関する洞察を提供します。

概要

牛の行動の効率的な監視は、精密畜産に不可欠であり、福祉管理、病気の検出、運用の最適化をサポートします。非侵襲的な視覚ベースのアプローチは、その拡張性と多用途性により特に有望です。CBVD-5 (5 クラスの牛の行動ビデオ データセット) などの標準化されたデータセットは、さまざまな照明条件にわたって多様な行動注釈を提供するため、この領域1 における貴重なベンチマークとなります。ほとんどの実用的な農場環境では、カメラは比較的安定した照明で適度な高さに固定されますが、牛の遮蔽が時折検出性能に影響を与える可能性があります。家畜の行動認識は、オクルージョン、動きのばらつき、まばらなトレーニングデータなどの課題に直面し続けています。これらの課題に対処するために、これまでの研究では、センサーベースのアプローチ2、画像パターンモデリング3、およびアンサンブルディープラーニング戦略4が検討されてきました。Redmonら5によって最初に導入されたYOLO(You Only Look Once)や、そのより高度なバージョンYOLOv7 6のような物体検出フレームワークは、検出精度、レイテンシー、計算効率のバランスをとる能力で際立っています。この研究では、リアルタイム パフォーマンスとは、30 フレーム/秒 (FPS) を超える推論速度を達成することを指し、実際の農場設定でスムーズで継続的なビデオベースの行動追跡を保証します。この研究では、CBVD-5データセットにおけるYOLOv8nからYOLOv13nのパフォーマンスを体系的に評価し、リアルタイムの動作検出と展開の制約を強調しています。オープンコミュニティリリースYOLOv87、YOLOv98、YOLOv109、YOLOv1110、YOLOv1211、YOLOv1312など、YOLOアーキテクチャの最近の進歩により、検出精度と計算効率が向上しています。これらのモデルは、マルチタスク学習、アンカーフリーヘッド、最適化された転移学習などのイノベーションを活用しており、大規模畜産農場で通常遭遇するリソースに制約のある環境により適しています。しかし、私たちの知る限り、牛の行動認識のためにこれらのモデルを特別に評価した包括的な研究はありません。このギャップを埋めるために、実際の農場環境をシミュレートするように設計されたデータセットを使用して、牛の行動検出に関する最近のYOLOモデル(v8n-v13n)の比較評価を実施します。モデルは、平均平均精度(mAP)、精度、再現率、推論時間、FPSなどの標準的な検出指標を使用して評価され、どのバリアントが農業条件でのリアルタイム牛モニタリングアプリケーションに最適であるかが決定されます。この研究は、新しいアーキテクチャを提案するのではなく、家畜の行動モニタリングの文脈における最近のYOLO変異体の体系的で再現性のあるベンチマークフレームワークを確立し、それらの比較性能がほとんど未調査のままである現在の文献のギャップに対処します。

YOLO ファミリーの物体検出器は、特に速度と精度の両方を必要とするアプリケーションにおいて、リアルタイム コンピューター ビジョンを大幅に進歩させました。家畜の動きをリアルタイムで監視することが不可欠な牛の行動認識において、YOLOはこれらの属性のバランスをとることで非常に効果的です。このレビューでは、初期バージョンから最新バージョンまでのYOLOモデルの進化を概説し、牛の行動検出に関連する主要なイノベーションに焦点を当てています。反復するたびに、農場条件下での検出速度、精度、堅牢性が向上し、YOLOモデルは動的な環境での牛のモニタリングにますます適しています。

YOLO の初期世代 (v1-v3) は、分類とローカリゼーションを単一の回帰フレームワークに統合することで、1 段階のオブジェクト検出の基盤を確立しました。これらのバージョンは、推論速度、空間精度、マルチスケール検出機能を段階的に向上させ、家畜の行動分析やその他のリアルタイム農業シナリオにYOLOを適用するための基礎を築きました13,14,15,16。2020年のYOLOv4のリリースでは、クロスステージパーシャル(CSP)バックボーンの採用、ミッシュアクティベーション、高度な機能集約技術17、18、19など、アーキテクチャがさらに改良されました。これらの更新により、まれなイベントの注釈付きサンプルが限られているため、家畜の行動検出で一般的なシナリオである、小規模なデータセットでのモデルのパフォーマンスが向上しました。Ultralytics が2020年に立ち上げたコミュニティ主導のYOLOv5プロジェクトは、そのモジュール設計とPyTorch framework20による導入の容易さから広く採用されました。査読付き論文は付属していないが、YOLOv5 は、精度と展開の柔軟性のバランスが取れているため、リアルタイムの牛検出タスクの事実上のベースラインとなった。2022年にリリースされたYOLOv6は、EfficientRepバックボーンとRep-PANネック21,22でハードウェアフレンドリーなデザインを優先した。アンカーフリー検出を組み込むことで、このモデルは、混雑した牛の環境で頻繁に遭遇する閉塞や部分的な可視性を伴うシナリオでの堅牢性を向上させました。YOLOv7 は、E-ELANアーキテクチャを通じて計算効率をさらに最適化し、複数の検出スケールでより高速なトレーニングとパフォーマンスの向上を可能にしました23。同時に、YOLOX24やYOLOR25などの代替モデルは、屋外家畜監視システムに不可欠な検出速度と汎用性を向上させている。2023年のYOLOv8 by Ultralytics では、アンカーフリーヘッド、構造の再パラメータ化、より強力な拡張戦略など、いくつかのアーキテクチャの変更が導入されました。これらのアップデートにより、検出精度と推論速度の両方が大幅に向上し、YOLOv8 はリアルタイムの牛の行動分析の競争力のある選択肢となった。YOLOv9、YOLOv10、YOLOv11、YOLOv12、YOLOv13の登場により、進化は続いた。YOLOv9 は、分類、ローカリゼーション、キーポイント検出などの補助タスクを共同で強化するために、マルチタスク学習を統合した。YOLOv10 は、ドメイン適応モジュールとセグメンテーションを意識したアテンションメカニズムを組み込むことで、この基盤の上に構築されました。YOLOv11 は、完全にラベル付けされたデータへの依存を減らす自己教師ありトレーニングプロトコルを導入し、牛の行動モニタリングのようなデータがまばらなアプリケーションに利点をもたらしました。YOLOv12 は、特徴量の融合と動的再パラメータ化の改善を強調しました。最後に、YOLOv13 はトランスフォーマーベースのモジュールと時空間アテンションを組み込んでおり、複雑なリアルタイムの農業シナリオにおいて、高速で低遅延の検出に優れたパフォーマンスを提供します。

近年、YOLOベースのディープラーニングモデルは、その効率性と精度から、牛の行動モニタリングを自動化し、リアルタイムに広く利用されています。YOLOベースの検出器が採用される前は、いくつかの初期のビジョンベースのシステムが画像駆動型家畜モニタリングの実現可能性を実証していました。たとえば、Sumi らは、モーション 特徴分析を使用して分娩を検出するための牛監視システムを開発し26 し、Zin らは 97% の認識精度を達成する深層学習ベースの牛識別フレームワークを提案しました27。これらの研究は、精密畜産におけるその後の物体検出アプローチの基礎を確立しました。いくつかの研究では、さまざまな条件下での行動分類、モーション追跡、姿勢認識にさまざまな YOLO バリアントが適用されています。例えば、Muらは、YOLOv8をベースに、マルチシーンの気象適応に最適化された、軽量のCattle Behavior Recognition-YOLO28 (CBR-YOLO)モデルを改良したモデルを提案しました。このモデルは、パラメータ数を大幅に削減しながら、平均精度 90.2% を達成しました。Tong らは、複雑な環境下での牛の行動検出と追跡のために、アテンションとトランスフォーマーベースのモジュールをYOLOv8 に組み込んだYOLO-BoT モデル29 を導入し、31.2 FPS で 91.7% の検出 mAP を達成しました。Haoらは、効率的なマルチスケール・アテンション(EMA)メカニズムをYOLOv530 (YOLOv5-EMA)に統合し、牛の体部(頭、脚など)の検出性能を向上させ、94.8%から95.5%のmAP値に達した。Guarnido-Lopez et al.31 は、シャロレー雄牛の摂食関連行動(噛む、噛む、近づくなど)の認識について、YOLOv8とYOLOv10を評価し、mAP@50、mAP@50-95、精度、再現率においてYOLOv10をわずかに上回り、YOLOv8は収束が速く、オーバーフィッティングが低いと報告した。YOLOv1 から YOLOv8 は家畜関連のタスクに広く採用され、検証されていますが、この領域における YOLOv9 から YOLOv13 の適用性は未だに調査されていません。今日まで、牛の行動検出のためのこれらの新しいモデルの包括的な評価は行われておらず、既存の研究に重大なギャップがあることが浮き彫りになり、実際のパフォーマンスに関するさらなる調査が動機付けられています。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

プロトコル

1. データセットの準備

注:この研究には新しい動物実験は含まれていません。すべてのデータは、公開されているCBVD-5データセットから取得され、元の著者によって施設の動物ケアガイドラインに従って収集および公開されました。したがって、この作業には追加の倫理的承認は必要ありませんでした。

  1. このデータセットは、ギガビットスイッチとネットワークビデオレコーダーを介して接続された7台のDahuaカメラ(2.8mmおよび3.6mmレンズ、モデルM / K)によってキャプチャされた連続監視記録で構成され、標準的な納屋の照明条件下で5日間の中断のない観察をカバーしています。
  2. 代表的なフレームを抽出して 25,000 個の注釈付きキーフレームを取得し、行動タイプ間の時間的多様性を確保します。AVA バウンディングボックス形式に従って、VGG Image Annotator (VIA v3.0.11) を使用して、立っている、横たわる、採餌する、飲む、反芻の 5 つの行動クラスに注釈を付けます。ラベルスキーマ{standing、lying、foraging、drinking、rumination}を使用して、統合されたVIAプロジェクトを作成します。次に、アノテーションをJSONファイルとしてエクスポートし、Roboflowを使用してYOLO互換のTXT形式に変換します(プロジェクト設定で正規化= Trueを設定し、1行に1つのクラスを設定します)。
  3. すべての画像のサイズを 640 ピクセル× 640 ピクセルに変更し、自動向きを適用します。
  4. Roboflowでデータ拡張を実行し、ランダムな水平反転(p = 0.5)、±10以内の回転、±15%以内の明るさ/コントラストの変動を適用して、モデルの一般化を強化します。
  5. データセットをトレーニング、検証、テストのサブセットに 70/20/10 の比率で分割します (2049/585/293 画像)。

2. モデルの選択とセットアップ

  1. YOLOv8n、YOLOv9t、YOLOv10n、YOLOv11n、YOLOv12n、YOLOv13nの6つの軽量YOLOアーキテクチャを選択します。
  2. 表1にまとめたように、計算要件を比較するためのレイヤーの総数、パラメータ数、GFLOPなどのモデル仕様を記録します。
  3. 本研究で使用したコンピューティング環境とハードウェアソフトウェアの仕様は、 材料表に記載されています。決定論的ランダムシードは、再現性のために0、42、1337に固定されました。
  4. 各モデルを公式の事前学習済み重み (yolov10n.pt、yolov13n.pt など) で初期化します。

3. モデルトレーニング

  1. Ultralytics YOLO (v8.3.63) フレームワークを使用して、すべてのYOLOモデルを同一の実験設定でトレーニングします。
  2. 入力解像度を 640 × 640 ピクセルに固定し、バッチサイズ = 128、初期学習率を 0.01 にします (SGD オプティマイザー、コサインスケジューラ)。
  3. 各モデルの代表的なトレーニングコマンド(例:YOLOv8n):
    結果 = model.train(
    data=f'{dataset.location}/data.yaml'、
    エポック=800、
    忍耐=30、
    batch=128、
    imgsz=640、
    名前='yolov8n_test_800_epoch'、
    save_period=100、
    pretrained=True、
    amp=True、
    労働者=16、
    シード=1337
    )
  4. 内部検証適合度メトリック (精度、再現率、および mAP@50-95 の重み付き複合) が 30 エポック連続して頭打ちになったときに早期停止を適用します。
  5. 最高の検証mAP@50-95に基づいて各実行に最適なチェックポイントを選択し、再現性を確保するために3つのシード(0、42、1337)の最終値を平均化します。
  6. エッジデバイスでの実現可能性を確保するために、リソース需要が高いため、より大きなバリアント(例:YOLOv10m、YOLOv11l)を除外します32。

4. モデル評価

  1. モデルのパフォーマンスは、Ultralytics の組み込み検証機能を使用して評価されました。
    メトリクス = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. mAP@50とmAP@50-95を計算します。
  3. 混同行列を生成して、クラスごとのパフォーマンスを調べます。
  4. レイテンシー(ミリ秒/フレーム)、FPS、モデルサイズ(MB)、トレーニング時間などの効率関連の指標は自動的にログに記録されました。ここでは、FPSは、前処理、モデル推論、および後処理段階を含むフレームごとの合計実行時間の逆数として計算されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

結果

ここでは、CBVD-5データセットにおけるYOLOv8からYOLOv13モデルの評価結果を、多行動牛認識のための評価結果を紹介します。この分析では、検出精度、トレーニングの収束、動作の分散、およびリソースが限られた環境での展開の適合性に焦点を当てています。データセットの品質とクラスバランスは、プロトコル(70/20/10)で説明されている分割に従い、トレーニング、検証、およびテストセット全体で5つの動作すべてを一貫して表現します。 図1 は、注釈付きの牛の行動が一般的にフレーム内の中央に配置されていることを示しています。垂直方向の中心座標は、カメラアングルと納屋のレイアウトに対応するわずかに低く偏っています。ボックスの幅と高さは、高い相関関係を持つユニモーダル分布を示し、サンプル間で一様なオブジェクトスケールを示します。

図2は、YOLOv13nモデルのトレーニングダイナミクスを示しています。分類、客観性、およびローカリゼーションの損失は、391 のトレーニング ...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

ディスカッション

提案された比較フレームワークの全体的な成功は、高品質の動作アノテーション、多様なデータ拡張、トレーニング中の安定した収束監視など、いくつかのプロトコルステップに大きく依存します。これらの要因により、モデルのパフォーマンスの違いは、データやトレーニングノイズではなく、真のアーキテクチャの変動を反映します。この研究では、CBVD-5データセットを使用して、マルチクラスの牛の行動検出のために、6つの軽量YOLOバリアント(v8nからv13n)を体系的に評価しました。モデルの中で、YOLOv11nが最も高いmAP@50(0.967)を達成し、YOLOv13nが最高のmAP@50-95(0.712)を達成しました。YOLOv10nは最速の推論時間(1.2ms)を達成し、YOLOv13nは安定した収束とコンパクトなサイズ(5.17MB)で高い検出精度を発揮しました。5つの行動カテゴリーの中で、反芻は、その微妙で反復的な顎の動きが少なく、クラスごとのmAP@50-95が最も低いため、検出の最大の課題を示しました。

この結果は、...

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

開示事項

著者らは、競合する利益はないと宣言する。

謝辞

この研究は、マレーシア理科大学ブリッジング助成金、プロジェクト番号:R501-LR-RND003-0000001342-0000によって資金提供されました。

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
大華 DH-NVR2216-HDS3 レコーダー大華技術https://www.dahuasecurity.com/
大華 DH-S3000C-16GT ギガビットスイッチ大華技術https://www.dahuasecurity.com/
大華M/K監視カメラ(2.8mm / 3.6mmレンズ)大華技術https://www.dahuasecurity.com/
Google Colab Proググるhttps://colab.research.google.com/
MatplotlibMatplotlibコミュニティhttps://matplotlib.org/
NVIDIA A100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyNumPyコミュニティhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna(ハイパーパラメータ最適化)Optuna.orghttps://optuna.org/
パンダパンダス・コミュニティhttps://pandas.pydata.org/
PyTorch(v2.0+)パイトーチ財団https://pytorch.org/
Python (v3.10)Pythonソフトウェア財団https://www.python.org/
Roboflow TSLデータセットロボフローhttps://roboflow.com/
Ubuntu 20.04 LTS正規https://ubuntu.com/
Visual Studio Codeマイクロソフトhttps://code.visualstudio.com/
YOLOv13ウルトラリティクスhttps://github.com/ultralytics/YOLOv13
YOLOv9ウルトラリティクスhttps://github.com/ultralytics/YOLOv9

参考文献

  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).

アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。

再版と許可

タグ

YOLO
お問い合わせ
図書館への推薦

プライバシー

利用規約

ポリシー

著作権 © 2026 MyJoVE Corporation. 無断転載を禁じます。