Een abonnement op JoVE is vereist om deze inhoud te bekijken. Log in of start vandaag met uw gratis proefperiode.

Methodenartikel

Benchmarking YOLOv8-v13-architecturen voor intelligente real-time veemonitoring en datagestuurd boerderijbeheer in de precisieveehouderij

976 weergaven

⸱

DOI:

10.3791/69490

⸱

14 november 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 dit artikel

Samenvatting

Dit protocol vergelijkt zes YOLO-modellen voor real-time detectie van veegedrag ter ondersteuning van welzijn en optimalisatie van het bedrijfsbeheer.

Samenvatting

Real-time en nauwkeurige detectie van het gedrag van runderen is cruciaal voor het verbeteren van het dierenwelzijn en het optimaliseren van het veebeheer. Om dit aan te pakken, evalueert deze studie uitgebreid zes door de gemeenschap ontwikkelde lichtgewicht YOLO-modellen (You Only Look Once) - YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n en YOLOv13n - voor het herkennen van vijf belangrijke gedragingen van runderen (staan, liggen, foerageren, drinken en herkauwen) met behulp van de aangepaste CBVD-5-dataset. De dataset omvat diverse lichtomstandigheden en natuurlijke stalomgevingen om real-world monitoringscenario's weer te geven. Alle modellen werden beoordeeld aan de hand van standaard objectdetectiemetrieken (precisie, terugroepen, mAP@50 en mAP@50-95) en implementatiegerichte indicatoren, waaronder inferentietijd, frames per seconde (FPS), modelgrootte en trainingsduur om een evenwichtige evaluatie van nauwkeurigheid en efficiëntie te bieden. YOLOv13n behaalde de hoogste mAP@50-95 (0,712), terwijl YOLOv11n de hoogste mAP@50 bereikte (0,967) en een stabiele convergentie vertoonde met een goede afweging tussen detectienauwkeurigheid en inferentiesnelheid. YOLOv10n demonstreerde de hoogste deductiesnelheid (1,2 ms/frame, ~833 FPS), waardoor het zeer geschikt is voor latentiegevoelige toepassingen zoals continue stalbewaking. Alle modellen behielden compacte formaten van minder dan 6 MB en een real-time doorvoer van meer dan ~300 FPS, wat hun bruikbaarheid voor edge-implementatie bevestigt. De resultaten vormen een reproduceerbaar benchmarkingkader voor het evalueren van moderne YOLO-varianten, en bieden inzicht in modelselectie voor efficiënte, schaalbare en welzijnsgerichte veemonitoringsystemen.

Inleiding

Het efficiënt monitoren van het gedrag van runderen is essentieel in de precisieveehouderij, ter ondersteuning van welzijnsmanagement, ziektedetectie en operationele optimalisatie. Niet-invasieve, op visie gebaseerde benaderingen zijn bijzonder veelbelovend vanwege hun schaalbaarheid en veelzijdigheid. Gestandaardiseerde datasets zoals CBVD-5 (Cow Behavior Video Dataset with 5 classes) bieden diverse gedragsannotaties over verschillende lichtomstandigheden, waardoor ze waardevolle benchmarks zijn in dit domein1. In de meeste praktische boerderijomgevingen zijn camera's op een matige hoogte bevestigd met relatief stabiele verlichting, hoewel incidentele occlusie bij runderen de detectieprestaties kan beïnvloeden. Gedragsherkenning bij vee wordt nog steeds geconfronteerd met uitdagingen zoals occlusie, bewegingsvariabiliteit en schaarse trainingsgegevens. Om deze uitdagingen aan te gaan, hebben eerdere werken sensorgebaseerde benaderingen onderzocht2, beeldpatroonmodellering3 en ensemble deep learning-strategieën4. Objectdetectieframeworks zoals YOLO (You Only Look Once), voor het eerst geïntroduceerd door Redmon et al.5, en de meer geavanceerde versie YOLOv76, vallen op door hun vermogen om detectienauwkeurigheid, latentie en rekenefficiëntie in evenwicht te brengen. In dit onderzoek verwijst real-time prestaties naar het bereiken van een inferentiesnelheid van meer dan 30 frames per seconde (FPS), wat zorgt voor een soepele en continue op video gebaseerde gedragstracking in praktische boerderijomgevingen. Deze studie evalueert systematisch de prestaties van YOLOv8n tot en met YOLOv13n op de CBVD-5-dataset, waarbij de nadruk wordt gelegd op realtime gedragsdetectie en implementatiebeperkingen. Recente ontwikkelingen in de YOLO-architectuur, waaronder de open community-releases YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 en YOLOv1312, hebben verbeteringen geïntroduceerd in detectieprecisie en rekenefficiëntie. Deze modellen maken gebruik van innovaties zoals multitasken, ankervrije koppen en geoptimaliseerd overdrachtsleren, waardoor ze geschikter zijn voor omgevingen met beperkte middelen die doorgaans worden aangetroffen in grootschalige veehouderijen. Voor zover wij weten, is er echter geen uitgebreide studie geweest die deze modellen specifiek evalueert voor de herkenning van het gedrag van runderen. Om deze leemte op te vullen, voeren we een vergelijkende evaluatie uit van recente YOLO-modellen (v8n-v13n) voor het detecteren van veegedrag met behulp van een dataset die is ontworpen om real-world boerderijomgevingen te simuleren. De modellen worden geëvalueerd aan de hand van standaard detectiemetrieken zoals gemiddelde gemiddelde precisie (mAP), precisie, terugroepactie, deductietijd en FPS om te bepalen welke variant het meest geschikt is voor real-time veemonitoringtoepassingen in landbouwomstandigheden. In plaats van een nieuwe architectuur voor te stellen, stelt deze studie een systematisch en reproduceerbaar benchmarkingkader vast voor recente YOLO-varianten in de context van het monitoren van het gedrag van vee, waarbij een lacune in de huidige literatuur wordt aangepakt waar hun vergelijkende prestaties grotendeels onontgonnen blijven.

De YOLO-familie van objectdetectoren heeft een aanzienlijk geavanceerd real-time computervisie, vooral in toepassingen die zowel snelheid als nauwkeurigheid vereisen. Bij de herkenning van het gedrag van runderen, waar real-time monitoring van veebewegingen essentieel is, maakt YOLO's balans van deze kenmerken het zeer effectief. Deze recensie schetst de evolutie van YOLO-modellen, van vroege versies tot de meest recente, en belicht de belangrijkste innovaties die relevant zijn voor het detecteren van veegedrag. Elke iteratie heeft verbeteringen geïntroduceerd in detectiesnelheid, nauwkeurigheid en robuustheid onder boerderijomstandigheden, waardoor YOLO-modellen steeds geschikter worden voor het monitoren van vee in dynamische omgevingen.

De vroege generaties YOLO (v1-v3) legden de basis voor eentraps objectdetectie door classificatie en lokalisatie te verenigen in een enkel regressiekader. Deze versies verbeterden geleidelijk de inferentiesnelheid, ruimtelijke precisie en detectiecapaciteit op meerdere schalen, waardoor de basis werd gelegd voor het toepassen van YOLO in gedragsanalyse van vee en andere realtime landbouwscenario's 13,14,15,16. Met de release van YOLOv4 in 2020 onderging de architectuur verdere verfijningen, waaronder de acceptatie van de Cross Stage Partial (CSP) backbone, Mish-activering en geavanceerde functie-aggregatietechnieken 17,18,19. Deze updates verbeterden de modelprestaties op kleinere datasets, een veelvoorkomend scenario bij het detecteren van veegedrag vanwege de beperkte geannoteerde steekproeven voor zeldzame gebeurtenissen. Het community-gedreven YOLOv5-project, dat in 2020 door Ultralytics werd gelanceerd, werd wijdverbreid toegepast vanwege het modulaire ontwerp en het gemak van implementatie via een PyTorch-framework20. Hoewel YOLOv5 niet vergezeld ging van een collegiaal getoetst artikel, werd het de facto een basislijn in real-time veedetectietaken vanwege de sterke balans tussen nauwkeurigheid en implementatieflexibiliteit. YOLOv6, uitgebracht in 2022, gaf prioriteit aan hardwarevriendelijk ontwerp met de EfficientRep-backbone en Rep-PAN-hals21,22. Door ankervrije detectie op te nemen, verbeterde het model de robuustheid in scenario's met occlusie en gedeeltelijk zicht, omstandigheden die vaak voorkomen in drukke veeomgevingen. YOLOv7 heeft de rekenefficiëntie verder geoptimaliseerd via de E-ELAN-architectuur, waardoor snellere training en verbeterde prestaties op meerdere detectieschalen mogelijk zijn23. Tegelijkertijd hebben alternatieve modellen zoals YOLOX24 en YOLOR25 geavanceerde detectiesnelheid en generalisatie, beide essentiële kenmerken voor bewakingssystemen voor vee in de buitenlucht. De release van YOLOv8 door Ultralytics in 2023 introduceerde verschillende architecturale wijzigingen, waaronder ankervrije koppen, structurele herparametrisering en sterkere augmentatiestrategieën. Deze updates leverden aanzienlijke winsten op in zowel detectieprecisie als inferentiesnelheid, waardoor YOLOv8 een concurrerende optie is voor real-time analyse van het gedrag van vee. De evolutie zette zich voort met de opkomst van YOLOv9, YOLOv10, YOLOv11, YOLOv12 en YOLOv13. YOLOv9 integreerde multi-task learning om gezamenlijk de classificatie, lokalisatie en ondersteunende taken zoals keypoint-detectie te verbeteren. YOLOv10 is op dit fundament gebouwd door domeinaanpassingsmodules en segmentatiebewuste aandachtsmechanismen in te bedden. YOLOv11 introduceerde zelfgecontroleerde trainingsprotocollen die de afhankelijkheid van volledig gelabelde gegevens verminderden, wat voordelen biedt in toepassingen met weinig gegevens, zoals het monitoren van het gedrag van vee. YOLOv12 legde de nadruk op verbeterde functiefusie en dynamische herparametrisering. Ten slotte bevatte YOLOv13 op transformatoren gebaseerde modules en spatio-temporele aandacht, die superieure prestaties bieden voor detectie met hoge snelheid en lage latentie in complexe, realtime landbouwscenario's.

In de afgelopen jaren zijn op YOLO gebaseerde deep learning-modellen op grote schaal gebruikt voor geautomatiseerde en realtime monitoring van het gedrag van vee vanwege hun efficiëntie en nauwkeurigheid. Vóór de invoering van op YOLO gebaseerde detectoren hadden verschillende vroege op visie gebaseerde systemen de haalbaarheid van beeldgestuurde veemonitoring aangetoond. Sumi et al. ontwikkelden bijvoorbeeld een koemonitoringssysteem voor afkalfdetectie met behulp van bewegingsanalyse26, terwijl Zin et al. een op deep learning gebaseerd koe-identificatiekader voorstelden dat een herkenningsnauwkeurigheid van 97% bereikt27. Deze werkzaamheden legden de basis voor latere benaderingen voor objectdetectie in de precisieveehouderij. Verschillende onderzoeken hebben verschillende YOLO-varianten toegepast voor gedragsclassificatie, bewegingsregistratie en houdingsherkenning onder verschillende omstandigheden. Mu et al. stelde bijvoorbeeld een verbeterd lichtgewicht Cattle Behavior Recognition-YOLO28 (CBR-YOLO) model voor op basis van YOLOv8, geoptimaliseerd voor weersadaptatie in meerdere scènes. Het model behaalde een gemiddelde nauwkeurigheid van 90,2% en verminderde het aantal parameters aanzienlijk. Tong et al. introduceerde het YOLO-BoT-model29, waarbij aandachts- en transformatorgebaseerde modules in YOLOv8 werden opgenomen voor het detecteren en volgen van veegedrag in complexe omgevingen, waarbij een detectie-mAP van 91,7% werd bereikt bij 31,2 FPS. Hao et al. integreerden een Efficient Multi-Scale Attention (EMA)-mechanisme in YOLOv530 (YOLOv5-EMA), dat de detectieprestaties voor lichaamsdelen van runderen (bijv. hoofd, benen) verbeterde en mAP-waarden tussen 94,8% en 95,5% bereikte. Guarnido-Lopez et al.31 evalueerden YOLOv8 en YOLOv10 voor de herkenning van voedingsgerelateerd gedrag (bijv. kauwen, bijten, naderen) bij Charolais-stieren, en rapporteerden dat YOLOv10 iets beter presteerde dan YOLOv8 in mAP@50, mAP@50-95, precisie en recall, terwijl YOLOv8 snellere convergentie en lagere overfitting vertoonde. Hoewel YOLOv1 tot en met YOLOv8 op grote schaal zijn toegepast en gevalideerd voor veegerelateerde taken, blijft de toepasbaarheid van YOLOv9 tot en met YOLOv13 in dit domein onderbelicht. Tot op heden is er geen uitgebreide evaluatie geweest van deze nieuwere modellen voor het detecteren van veegedrag, wat een kritieke lacune in bestaand onderzoek aan het licht brengt en verder onderzoek naar hun prestaties in de echte wereld motiveert.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Protocol

1. Voorbereiding van de dataset

OPMERKING: Bij dit onderzoek waren geen nieuwe dierproeven betrokken. Alle gegevens zijn afkomstig uit de openbaar beschikbare CBVD-5-dataset, die door de oorspronkelijke auteurs is verzameld en vrijgegeven in overeenstemming met de richtlijnen voor institutionele dierenverzorging. Daarom was er geen aanvullende ethische goedkeuring nodig voor dit werk.

  1. De dataset bestaat uit continue bewakingsopnames die zijn vastgelegd door zeven Dahua-camera's (2,8 mm en 3,6 mm lenzen, model M/K) die zijn aangesloten via gigabit-switches en netwerkvideorecorders, die 5 dagen ononderbroken observatie bestrijken onder standaard stallichtomstandigheden.
  2. Extraheer representatieve frames om 25.000 geannoteerde keyframes te verkrijgen, waardoor tijdelijke diversiteit tussen gedragstypen wordt gegarandeerd. Annoteer vijf gedragsklassen, staan, liggen, foerageren, drinken en herkauwen, met behulp van VGG Image Annotator (VIA v3.0.11) volgens de AVA-begrenzingsdoosindeling. Maak een uniform VIA-project met behulp van het labelschema {staan, liggen, foerageren, drinken, herkauwen}. Exporteer vervolgens de annotaties als JSON-bestanden en converteer ze naar YOLO-compatibel TXT-formaat met behulp van Roboflow (stel normalisatie = True en één klasse per regel in de projectinstellingen in).
  3. Wijzig het formaat van alle afbeeldingen naar 640 × 640 pixels en pas automatische oriëntatie toe.
  4. Voer gegevensvergroting uit in Roboflow, waarbij willekeurige horizontale flips (p = 0,5), rotaties binnen ±10 en helderheids-/contrastvariatie binnen ±15% worden toegepast om de modelgeneralisatie te verbeteren.
  5. Splits de dataset op in subsets voor training, validatie en test in een verhouding van 70/20/10 (2049/585/293 afbeeldingen).

2. Modelselectie en -instelling

  1. Selecteer zes lichtgewicht YOLO-architecturen: YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n en YOLOv13n.
  2. Registreer modelspecificaties, inclusief het totale aantal lagen, het aantal parameters en GFLOP's om de rekenvereisten te vergelijken, zoals samengevat in tabel 1.
  3. De computeromgeving en hardware-softwarespecificaties die in dit onderzoek zijn gebruikt, worden vermeld in de Materiaaltabel. Deterministische willekeurige zaden werden gefixeerd op 0, 42, 1337 voor reproduceerbaarheid.
  4. Initialiseer elk model met officiële voorgetrainde gewichten (bijv. yolov10n.pt, yolov13n.pt).

3. Model training

  1. Train alle YOLO-modellen onder identieke experimentele instellingen met behulp van het Ultralytics YOLO (v8.3.63) framework.
  2. Stel de invoerresolutie in op 640 × 640 pixels, met een batchgrootte = 128 en een initiële leersnelheid van 0,01 (SGD-optimizer, cosinusplanner).
  3. Representatief trainingscommando voor elk model (bijvoorbeeld: YOLOv8n):
    resultaten = model.train(
    data=f'{dataset.location}/data.yaml',
    epoches=800,
    geduld=30,
    batch=128,
    imgsz=640,
    naam='yolov8n_test_800_epoch',
    save_period=100,
    pretrained=Waar,
    amp=Waar,
    werknemers=16,
    zaad = 1337
    )
  4. Pas vroegtijdig stoppen toe wanneer de interne validatiefitnessmetriek (gewogen samenstelling van precisie, terugroepen en mAP@50-95) gedurende 30 opeenvolgende tijdperken plateau bereikte.
  5. Selecteer het beste controlepunt voor elke run op basis van de hoogste validatie mAP@50-95 en neem het gemiddelde van de uiteindelijke waarden over drie zaden (0, 42, 1337) om reproduceerbaarheid te garanderen.
  6. Sluit grotere varianten uit (bijv. YOLOv10m, YOLOv11l) vanwege de hoge vraag naar hulpbronnen, om de haalbaarheid op edge-apparaten te garanderen32.

4. Evaluatie van het model

  1. De modelprestaties werden geëvalueerd met behulp van de ingebouwde validatiefunctie van Ultralytics:
    metriek = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. Bereken mAP@50 en mAP@50-95.
  3. Genereer verwarringsmatrices om de prestaties per klasse te onderzoeken.
  4. Efficiëntiegerelateerde statistieken, waaronder latentie (ms/frame), FPS, modelgrootte (MB) en trainingsduur, werden automatisch geregistreerd. Hier werd FPS berekend als het omgekeerde van de totale uitvoeringstijd per frame, inclusief voorbewerking, modelinferentie en nabewerking.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Resultaten

In dit gedeelte worden de evaluatieresultaten gepresenteerd van YOLOv8 tot en met YOLOv13-modellen op de CBVD-5-dataset voor herkenning van meervoudig gedrag van runderen. De analyse richt zich op detectienauwkeurigheid, trainingsconvergentie, gedragsdistributie en geschiktheid voor implementatie in omgevingen met beperkte middelen. De kwaliteit van de dataset en de balans van de klas volgen de splitsingen die in het protocol worden beschreven (70/20/10), waardoor een consistente weergave van alle vijf gedragingen in tra...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Discussie

Het algehele succes van het voorgestelde vergelijkende raamwerk hangt in belangrijke mate af van verschillende protocolstappen, waaronder hoogwaardige gedragsannotatie, diverse gegevensvergroting en stabiele convergentiemonitoring tijdens de training. Deze factoren zorgen ervoor dat de verschillen in modelprestaties een weerspiegeling zijn van echte architecturale variatie in plaats van gegevens of trainingsruis. Deze studie evalueerde systematisch zes lichtgewicht YOLO-varianten (v8n to...

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Openbaarmakingen

De auteurs verklaren dat ze geen concurrerende belangen hebben.

Dankbetuigingen

Dit werk werd gefinancierd door een overbruggingssubsidie van de Universiti Sains Malaysia, projectnummer: R501-LR-RND003-0000001342-0000.

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
Dahua DH-NVR2216-HDS3 RecorderDahua Technologyhttps://www.dahuasecurity.com/
Dahua DH-S3000C-16GT Gigabit SwitchDahua Technologyhttps://www.dahuasecurity.com/
Dahua M/K Surveillance Camera (2.8 mm / 3.6 mm lens)Dahua Technologyhttps://www.dahuasecurity.com/
Google Colab ProGooglehttps://colab.research.google.com/
MatplotlibMatplotlib Communityhttps://matplotlib.org/
NVIDIA A100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyNumPy Communityhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna (Hyperparameter Optimization)Optuna.orghttps://optuna.org/
PandasPandas Communityhttps://pandas.pydata.org/
PyTorch (v2.0+)PyTorch Foundationhttps://pytorch.org/
Python (v3.10)Python Software Foundationhttps://www.python.org/
Roboflow TSL DatasetRoboflowhttps://roboflow.com/
Ubuntu 20.04 LTSCanonicalhttps://ubuntu.com/
Visual Studio CodeMicrosofthttps://code.visualstudio.com/
YOLOv13Ultralyticshttps://github.com/ultralytics/YOLOv13
YOLOv9Ultralyticshttps://github.com/ultralytics/YOLOv9

Referenties

  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).

Toegang beperkt. Log in of start een proefperiode om deze inhoud te bekijken.

Herprints en machtigingen

Trefwoorden

YOLO architecturendetectie van veebehaviorsobjectdetectiemetriekenmodelbenchmarkingedge implementatiedierenwelzijninferentiesnelheid
Neem contact met ons op
Aanbevelen aan bibliotheek

Privacy

Gebruiksvoorwaarden

Beleid

Copyright © 2026 MyJoVE Corporation. Alle rechten voorbehouden.