이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

정밀 축산에서 지능형 실시간 가축 모니터링 및 데이터 기반 농장 관리를 위한 YOLOv8-v13 아키텍처 벤치마킹

959 조회수

⸱

DOI:

10.3791/69490

⸱

2025년 11월 14일

 ,  ,  ,  ,  , 
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

이 논문에서

요약

이 프로토콜은 복지 및 농장 관리 최적화를 지원하기 위해 실시간 소 행동 감지를 위해 6개의 YOLO 모델을 벤치마킹합니다.

초록

실시간으로 정확한 가축 행동 감지는 동물 복지를 개선하고 가축 관리를 최적화하는 데 매우 중요합니다. 이 문제를 해결하기 위해 본 연구에서는 커스텀 CBVD-5 데이터 세트를 사용하여 5가지 주요 소 행동(서 있기, 눕기, 먹이를 찾기, 음주, 반추)을 인식하기 위해 커뮤니티에서 개발한 6가지 경량 YOLO(You Only Look Once) 모델(YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n, YOLOv13n)를 종합적으로 평가합니다. 데이터 세트에는 실제 모니터링 시나리오를 반영하는 다양한 조명 조건과 자연 헛간 환경이 포함되어 있습니다. 모든 모델은 표준 객체 감지 지표(정밀도, 재현율, mAP@50 및 mAP@50-95)와 추론 시간, 초당 프레임 수(FPS), 모델 크기 및 훈련 기간을 포함한 배포 지향 지표를 사용하여 정확도와 효율성에 대한 균형 잡힌 평가를 제공했습니다. YOLOv13n은 가장 높은 mAP@50-95(0.712)를 달성했고, YOLOv11n은 가장 높은 mAP@50(0.967)를 달성했으며, 탐지 정확도와 추론 속도 사이의 좋은 균형으로 안정적인 수렴을 보였습니다. YOLOv10n 는 가장 빠른 추론 속도(1.2ms/프레임, ~833FPS)를 보여 지속적인 헛간 감시와 같이 지연 시간에 민감한 애플리케이션에 매우 적합합니다. 모든 모델은 6MB 미만의 컴팩트한 크기와 ~300FPS를 초과하는 실시간 처리량을 유지하여 엣지 배포에 대한 실용성을 확인했습니다. 결과는 최신 YOLO 변종을 평가하기 위한 재현 가능한 벤치마킹 프레임워크를 구축하여 효율적이고 확장 가능하며 복지 지향적인 가축 모니터링 시스템을 위한 모델 선택에 대한 통찰력을 제공합니다.

서론

소의 행동을 효율적으로 모니터링하는 것은 정밀 축산에 필수적이며 복지 관리, 질병 감지 및 운영 최적화를 지원합니다. 비침습적 시력 기반 접근 방식은 확장성과 다양성으로 인해 특히 유망합니다. CBVD-5(5개 클래스가 있는 젖소 행동 비디오 데이터 세트)와 같은 표준화된 데이터 세트는 다양한 조명 조건에서 다양한 행동 주석을 제공하므로 이 도메인에서 귀중한 벤치마크가 됩니다1. 대부분의 실제 농장 환경에서 카메라는 비교적 안정적인 조명과 함께 적당한 높이에 고정되지만 가끔 소 사이에 가려지면 감지 성능에 영향을 미칠 수 있습니다. 가축의 행동 인식은 폐색, 동작 변동성 및 희소 훈련 데이터와 같은 문제에 계속 직면해 있습니다. 이러한 문제를 해결하기 위해 이전 연구에서는 센서 기반 접근 방식2, 이미지 패턴 모델링3 및 앙상블 딥 러닝 전략4를 탐구했습니다. Redmon et al.5에 의해 처음 도입된 YOLO(You Only Look Once)와 같은 객체 감지 프레임워크와 고급 버전 YOLOv76은 감지 정확도, 대기 시간 및 계산 효율성의 균형을 맞추는 능력이 돋보입니다. 본 연구에서 실시간 성능은 초당 30프레임(FPS) 이상의 추론 속도를 달성하는 것을 의미하며, 이는 실제 농장 환경에서 원활하고 지속적인 비디오 기반 행동 추적을 보장합니다. 본 연구는 CBVD-5 데이터 세트에서 YOLOv8n 부터 YOLOv13n 까지의 성능을 체계적으로 평가하며, 실시간 동작 감지 및 배포 제약 조건을 강조합니다. 오픈 커뮤니티 릴리스 YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211, YOLOv1312 등 YOLO 아키텍처의 최근 발전으로 탐지 정밀도와 계산 효율성이 향상되었습니다. 이러한 모델은 멀티태스킹 학습, 앵커 프리 헤드, 최적화된 전이 학습과 같은 혁신을 활용하여 대규모 축산 농장에서 일반적으로 발생하는 자원이 제한된 환경에 더 적합합니다. 그러나 우리가 아는 한, 가축 행동 인식을 위해 이러한 모델을 특별히 평가하는 포괄적인 연구는 없습니다. 이러한 격차를 메우기 위해 실제 농장 환경을 시뮬레이션하도록 설계된 데이터 세트를 사용하여 소의 행동 감지를 위한 최근 YOLO 모델(v8n-v13n)에 대한 비교 평가를 수행합니다. 모델은 평균 평균 정밀도(mAP), 정밀도, 재현율, 추론 시간 및 FPS와 같은 표준 감지 메트릭을 사용하여 평가되어 사육 조건에서 실시간 가축 모니터링 애플리케이션에 가장 적합한 변형을 결정합니다. 이 연구는 새로운 아키텍처를 제안하는 대신 가축 행동 모니터링의 맥락에서 최근 YOLO 변종에 대한 체계적이고 재현 가능한 벤치마킹 프레임워크를 구축하여 비교 성능이 거의 탐구되지 않은 현재 문헌의 격차를 해결합니다.

YOLO 객체 감지기 제품군은 특히 속도와 정확성이 모두 요구되는 애플리케이션에서 실시간 컴퓨터 비전을 크게 발전시켰습니다. 가축의 움직임에 대한 실시간 모니터링이 필수적인 가축 행동 인식에서 YOLO는 이러한 속성의 균형을 통해 매우 효과적입니다. 이 리뷰는 초기 버전부터 최신 버전까지 YOLO 모델의 진화를 간략하게 설명하고 소의 행동 감지와 관련된 주요 혁신을 강조합니다. 각 반복은 농장 조건에서 탐지 속도, 정확도 및 견고성이 향상되어 YOLO 모델이 동적 환경에서 소를 모니터링하는 데 점점 더 적합해졌습니다.

YOLO(v1-v3)의 초기 세대는 분류와 현지화를 단일 회귀 프레임워크로 통합하여 1단계 객체 감지의 기반을 구축했습니다. 이러한 버전은 추론 속도, 공간 정밀도 및 다중 스케일 감지 기능을 점진적으로 개선하여 가축 행동 분석 및 기타 실시간 농업 시나리오에 YOLO를 적용하기 위한 토대를 마련했습니다 13,14,15,16. 2020년 YOLOv4 출시와 함께 아키텍처는 CSP(Cross Stage Partial) 백본, 미시 활성화, 고급 기능 집계 기술 채택 등 더욱 개선되었습니다 17,18,19. 이러한 업데이트는 희귀 사건에 대한 제한된 주석이 달린 샘플로 인해 가축 행동 감지의 일반적인 시나리오인 더 작은 데이터 세트에서 모델 성능을 향상시켰습니다. 2020년 Ultralytics 가 시작한 커뮤니티 중심의 YOLOv5 프로젝트는 모듈식 설계와 PyTorch 프레임워크20을 통한 배포 용이성으로 널리 채택되었습니다. 동료 심사를 거친 논문이 첨부되지는 않았지만, YOLOv5 는 정확성과 배포 유연성 사이의 강력한 균형으로 인해 실시간 소 탐지 작업의 사실상 기준이 되었습니다. 2022년에 출시된 YOLOv6은 EfficientRep 백본과 Rep-PAN 넥21,22를 탑재하여 하드웨어 친화적인 디자인을 우선시했습니다. 앵커 없는 감지를 통합함으로써 이 모델은 혼잡한 가축 환경에서 자주 발생하는 폐색 및 부분 가시성과 관련된 시나리오에서 견고성을 향상시켰습니다. YOLOv7 은 E-ELAN 아키텍처를 통해 컴퓨팅 효율성을 더욱 최적화하여 여러 탐지 척도에서 더 빠른 훈련과 향상된 성능을 가능하게 합니다23. 동시에 YOLOX24 및 YOLOR25와 같은 대체 모델은 실외 가축 모니터링 시스템의 필수 특성인 탐지 속도와 일반화를 향상시켰습니다. 2023년 릴리스의 YOLOv8 Ultralytics 에서는 앵커 프리 헤드, 구조적 재매개변수화, 더 강력한 증강 전략 등 여러 가지 아키텍처 수정이 도입되었습니다. 이러한 업데이트로 탐지 정밀도와 추론 속도 모두에서 상당한 향상을 가져왔고, YOLOv8 은 실시간 소 행동 분석을 위한 경쟁력 있는 옵션이 되었습니다. YOLOv9, YOLOv10, YOLOv11, YOLOv12, YOLOv13의 등장과 함께 진화는 계속되었습니다. YOLOv9 은 멀티태스킹 학습을 통합하여 분류, 지역화 및 키포인트 감지와 같은 보조 작업을 공동으로 향상시킵니다. YOLOv10 은 도메인 적응 모듈과 세분화 인식 어텐션 메커니즘을 내장하여 이러한 기반 위에 구축되었습니다. YOLOv11 은 완전히 레이블이 지정된 데이터에 대한 의존도를 줄이는 자체 지도 교육 프로토콜을 도입하여 소의 행동 모니터링과 같은 데이터가 희소한 애플리케이션에서 이점을 제공합니다. YOLOv12 는 향상된 기능 융합과 동적 재매개변수화를 강조했습니다. 마지막으로, YOLOv13 은 트랜스포머 기반 모듈과 시공간 주의를 통합하여 복잡한 실시간 농업 시나리오에서 고속, 저지연 감지를 위한 탁월한 성능을 제공합니다.

최근 몇 년 동안 YOLO 기반 딥러닝 모델은 효율성과 정확성으로 인해 자동화된 실시간 소 행동 모니터링에 널리 사용되고 있습니다. YOLO 기반 감지기를 채택하기 전에는 여러 초기 비전 기반 시스템이 이미지 기반 가축 모니터링의 타당성을 입증했습니다. 예를 들어, Sumi et al. 동작 특징 분석을 사용하여 분만 감지를 위한 젖소 모니터링 시스템을 개발했으며26, Zin et al. 97%의 인식 정확도를 달성하는 딥 러닝 기반 젖소 식별 프레임워크를 제안했습니다27. 이러한 작업은 정밀 축산에서 후속 물체 감지 접근 방식을 위한 토대를 마련했습니다. 여러 연구에서 다양한 조건에서 행동 분류, 동작 추적 및 자세 인식을 위해 다양한 YOLO 변형을 적용했습니다. 예를 들어, Mu et al. 다중 장면 날씨 적응에 최적화된 YOLOv8을 기반으로 개선된 경량 가축 행동 인식-YOLO28 (CBR-YOLO) 모델을 제안했습니다. 이 모델은 매개변수 수를 크게 줄이면서 평균 90.2%의 정확도를 달성했습니다. Tong et al. 복잡한 환경에서 소의 행동 감지 및 추적을 위해 어텐션 및 트랜스포머 기반 모듈을 YOLOv8 에 통합하여 31.2FPS에서 91.7%의 감지 mAP를 달성한 YOLO-BoT 모델29를 도입했습니다. Hao et al. 효율적인 다중 스케일 주의(EMA) 메커니즘을 YOLOv530 (YOLOv5-EMA)에 통합하여 소의 신체 부위(예: 머리, 다리)에 대한 검출 성능을 향상시켜 94.8%에서 95.5% 사이의 mAP 값에 도달했습니다. Guarnido-Lopez et al.31 은 샤롤레 황소의 섭식 관련 행동(예: 씹기, 물기, 접근)을 인식하기 위해 YOLOv8 및 YOLOv10을 평가한 결과, YOLOv10은 mAP@50, mAP@50-95, 정밀도 및 재현율에서 YOLOv8을 약간 능가하는 반면, YOLOv8은 더 빠른 수렴과 더 낮은 과적합을 보였다고 보고했습니다. YOLOv1 - YOLOv8 은 가축 관련 작업에 널리 채택되고 검증되었지만, 이 영역에서 YOLOv9 - YOLOv13 의 적용 가능성은 아직 연구되지 않았습니다. 현재까지 가축 행동 감지를 위한 이러한 새로운 모델에 대한 포괄적인 평가는 없었으며, 이는 기존 연구의 중요한 격차를 강조하고 실제 성능에 대한 추가 조사에 동기를 부여했습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

1. 데이터 세트 준비

참고: 이 연구는 새로운 동물 실험을 포함하지 않았습니다. 모든 데이터는 공개적으로 사용 가능한 CBVD-5 데이터 세트에서 얻었으며, 이는 원저자가 기관 동물 관리 지침에 따라 수집 및 공개했습니다. 따라서 이 작업에 대한 추가적인 윤리적 승인이 필요하지 않았습니다.

  1. 이 데이터 세트는 기가비트 스위치와 네트워크 비디오 레코더를 통해 연결된 7대의 Dahua 카메라(2.8mm 및 3.6mm 렌즈, 모델 M/K)로 캡처한 연속 감시 녹화로 구성되어 있으며, 표준 헛간 조명 조건에서 5일 동안 중단 없이 관찰할 수 있습니다.
  2. 대표적인 프레임을 추출하여 주석이 달린 25,000개의 키프레임을 획득하여 행동 유형 전반에 걸쳐 시간적 다양성을 보장합니다. AVA 경계 상자 형식에 따라 VGG Image Annotator(VIA v3.0.11)를 사용하여 서 있는, 누워있는, 채집, 음주, 반추의 5가지 행동 클래스에 주석을 달습니다. 레이블 스키마 {standing, lying, foraging, drinking, rumination}을 사용하여 통합 VIA 프로젝트를 만듭니다. 그런 다음 주석을 JSON 파일로 내보내고 Roboflow를 사용하여 YOLO 호환 TXT 형식으로 변환합니다(프로젝트 설정에서 정규화 = True 설정 및 한 줄에 하나의 클래스 설정).
  3. 모든 이미지의 크기를 640 × 640픽셀로 조정하고 자동 방향을 적용합니다.
  4. Roboflow에서 데이터 증강을 수행하여 무작위 수평 뒤집기(p = 0.5), ±10 이내의 회전 및 ±15% 이내의 밝기/대비 변화를 적용하여 모델 일반화를 향상시킵니다.
  5. 데이터 세트를 70/20/10 비율(2049/585/293 이미지)으로 학습, 검증 및 테스트 하위 집합으로 분할합니다.

2. 모델 선택 및 설정

  1. 6개의 경량 YOLO 아키텍처(YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n, YOLOv13n)를 선택합니다.
  2. 표 1에 요약된 대로 총 레이어 수, 매개변수 수 및 GFLOP를 포함하여 계산 요구 사항을 비교하는 모델 사양을 기록합니다.
  3. 본 연구에 사용된 컴퓨팅 환경 및 하드웨어-소프트웨어 사양은 재료표에 나열되어 있습니다. 결정론적 무작위 시드는 재현성을 위해 0, 42, 1337로 고정되었습니다.
  4. 공식 사전 훈련된 가중치(예: yolov10n.pt, yolov13n.pt)로 각 모델을 초기화합니다.

3. 모델 학습

  1. Ultralytics YOLO (v8.3.63) 프레임워크를 사용하여 동일한 실험 설정에서 모든 YOLO 모델을 훈련합니다.
  2. 입력 해상도를 배치 크기 = 128 및 초기 학습률 0.01(SGD 최적화 프로그램, 코사인 스케줄러)으로 640 × 640픽셀로 고정합니다.
  3. 각 모델에 대한 대표적인 학습 명령(예: YOLOv8n):
    결과 = model.train(
    data=f'{dataset.location}/data.yaml',
    에포크=800,
    인내=30,
    배치=128,
    imgsz=640,
    이름='yolov8n_test_800_epoch',
    save_period=100,
    pretrained=True,
    amp=참,
    노동자=16,
    시드=1337
    )
  4. 내부 검증 적합성 메트릭(정밀도, 재현율 및 mAP@50-95의 가중 복합)이 30개의 연속 에포크 동안 정체된 경우 조기 중지를 적용합니다.
  5. 가장 높은 검증 mAP@50-95를 기반으로 각 실행에 가장 적합한 체크포인트를 선택하고 재현성을 보장하기 위해 세 개의 시드(0, 42, 1337)에 걸쳐 최종 값을 평균화합니다.
  6. 에지 디바이스에서 타당성을 보장하기 위해 높은 리소스 수요로 인해 더 큰 변형(예: YOLOv10m, YOLOv11l)을 제외합니다32.

4. 모델 평가

  1. 모델 성능은 Ultralytics 내장 검증 기능을 사용하여 평가되었습니다:
    메트릭 = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. mAP@50와 mAP@50-95를 계산합니다.
  3. 혼동 행렬을 생성하여 클래스별 성능을 검사합니다.
  4. 대기 시간(ms/프레임), FPS, 모델 크기(MB) 및 훈련 기간을 포함한 효율성 관련 지표가 자동으로 기록되었습니다. 여기서 FPS는 전처리, 모델 추론 및 후처리 단계를 포함하는 프레임당 총 실행 시간의 역수로 계산되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

이 섹션에서는 다중 행동 소 인식을 위한 CBVD-5 데이터 세트에서 YOLOv8 부터 YOLOv13 모델까지의 평가 결과를 제시합니다. 이 분석은 리소스가 제한된 환경에서의 탐지 정확도, 훈련 수렴, 행동 분포 및 배포 적합성에 중점을 둡니다. 데이터 세트 품질과 클래스 균형은 프로토콜(70/20/10)에 설명된 분할을 따르며, 훈련, 검증 및 테스트 세트 전반에 걸쳐 다섯 가지 동작 모두를 일관되게 표현합니다. 그림 1 은 주석이 달린 소의 행동이 일반적으로 프레임 내에서 잘 중앙에 있음을 보여줍니다. 수직 중심 좌표는 카메라 각도 및 헛간 레이아웃에 해당하는 약간 더 낮게 편향됩니다. 상자 너비와 높이는 상관관계가 높은 단모드 분포를 표시하여 샘플 전반에 걸쳐 일관된 객체 규모를 나타냅니다.

그림 2 는 YOLOv13n 모델의 학습 역학을 보여줍니다. 분류, 객체성 및...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

제안된 비교 프레임워크의 전반적인 성공은 고품질 동작 주석, 다양한 데이터 증강, 훈련 중 안정적인 수렴 모니터링을 포함한 여러 프로토콜 단계에 결정적으로 좌우됩니다. 이러한 요소는 모델 성능 차이가 데이터나 훈련 노이즈가 아닌 실제 아키텍처 변화를 반영하도록 보장합니다. 이 연구는 CBVD-5 데이터 세트를 사용하여 다등급 소 행동 감지를 위해 6개의 경량 YOLO 변이체(v8n에서 v13n)를 체계적으로 평가했습니다. 모델 중 YOLOv11n이 가장 높은 mAP@50(0.967)를 기록했고, YOLOv13n은 가장 좋은 mAP@50-95(0.712)를 기록했습니다. YOLOv10n 은 가장 빠른 추론 시간(1.2ms)을 달성했으며, YOLOv13n 은 안정적인 수렴과 컴팩트한 크기(5.17MB)로 강력한 감지 정확도를 입증했습니다. 5가지 행동 범주 중에서 반추는 미묘하고 반복적인 턱 움직임이 더 적은 동작 신호를 생성하고 클래스당 가장 낮은 mAP@50-95를 초...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자는 경쟁하는 이해관계가 없음을 선언합니다.

감사의 글

이 작업은 Universiti Sains Malaysia Bridging Grant, 프로젝트 번호: R501-LR-RND003-0000001342-0000의 자금 지원을 받았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
다화 DH-NVR2216-HDS3 녹음기다화 테크놀로지https://www.dahuasecurity.com/
다화 DH-S3000C-16GT 기가비트 스위치다화 테크놀로지https://www.dahuasecurity.com/
다화 M/K 감시 카메라 (2.8mm / 3.6mm 렌즈)다화 테크놀로지https://www.dahuasecurity.com/
구글 콜라프 프로구글https://colab.research.google.com/
매트플롯립Matplotlib 커뮤니티https://matplotlib.org/
NVIDIA A100 GPU엔비디아https://www.nvidia.com/en-us/data-center/a100/
넘버피넘파이 커뮤니티https://numpy.org/
오픈CVOpenCV.orghttps://opencv.org/
옵투나(하이퍼파라미터 최적화)Optuna.orghttps://optuna.org/
팬더판다스 커뮤니티https://pandas.pydata.org/
파이토치 (v2.0+)파이토치 재단https://pytorch.org/
파이썬 (v3.10)파이썬 소프트웨어 재단https://www.python.org/
로보플로우 TSL 데이터셋로보플로우https://roboflow.com/
Ubuntu 20.04 LTS교회법에 의거한https://ubuntu.com/
비주얼 스튜디오 코드마이크로소프트https://code.visualstudio.com/
YOLOv13울트라리틱스https://github.com/ultralytics/YOLOv13
YOLOv9울트라리틱스https://github.com/ultralytics/YOLOv9

참고문헌

  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).

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

YOLO
문의하기
사서에게 추천하기

개인정보

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.