Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.

Artykuł metodologiczny

Benchmarking architektur YOLOv8-v13 dla inteligentnego monitorowania bydła w czasie rzeczywistym oraz zarządzania gospodarstwem opartego na danych w precyzyjnej hodowli zwierząt gospodarskich

959 wyświetleń

⸱

DOI:

10.3791/69490

⸱

14 listopada 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

W tym artykule

Podsumowanie

Protokół ten testuje sześć modeli YOLO do wykrywania zachowań bydła w czasie rzeczywistym, wspierając optymalizację dobrostanu i zarządzania gospodarstwem.

Streszczenie

Dokładne wykrywanie zachowań bydła w czasie rzeczywistym jest kluczowe dla poprawy dobrostanu zwierząt i optymalizacji zarządzania zwierzętami. Aby temu sprostać, badanie kompleksowo ocenia sześć lekkich modeli YOLO (You Only Look Once) opracowanych przez społeczność – YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n oraz YOLOv13n – pod uwzględnieniem pięciu kluczowych zachowań bydła (stanie, leżenie, zbieranie, picie i ruminacja), korzystając z niestandardowego zbioru danych CBVD-5. Zbiór danych obejmuje różnorodne warunki oświetleniowe oraz naturalne środowiska stodoły, odzwierciedlające rzeczywiste scenariusze monitoringu. Wszystkie modele oceniano przy użyciu standardowych metryk wykrywania obiektów (precyzja, przypomnienie, mAP@50 oraz mAP@50-95) oraz wskaźników zorientowanych na wdrożenie, takich jak czas wnioskowania, klatki na sekundę (FPS), rozmiar modelu oraz czas treningu, aby zapewnić zrównoważoną ocenę dokładności i efektywności. YOLOv13n osiągnął najwyższe mAP@50-95 (0,712), podczas gdy YOLOv11n osiągnął najwyższy mAP@50 (0,967) i wykazał stabilną zbieżność z dobrym kompromisem między dokładnością wykrywania a szybkością wnioskowania. YOLOv10n wykazał najszybszą prędkość wnioskowania (1,2 ms/klatka, ~833 FPS), co czyni go dobrze przystosowanym do zastosowań wrażliwych na opóźnienia, takich jak ciągły nadzór stodoły. Wszystkie modele utrzymywały kompaktowe rozmiary poniżej 6 MB oraz przepustowość w czasie rzeczywistym przekraczającą ~300 FPS, co potwierdzało ich praktyczność do wdrożenia na krawędzi. Wyniki ustanawiają powtarzalne ramy benchmarkingowe do oceny nowoczesnych wariantów YOLO, oferując wgląd w dobór modeli dla efektywnych, skalowalnych i nastawionych na dobrostan systemów monitoringu zwierząt gospodarskich.

Wprowadzenie

Efektywne monitorowanie zachowań bydła jest niezbędne w precyzyjnej hodowli zwierząt, wspierając zarządzanie dobrostanem, wykrywanie chorób oraz optymalizację operacyjną. Nieinwazyjne podejścia oparte na wzroku są szczególnie obiecujące ze względu na swoją skalowalność i wszechstronność. Standaryzowane zbiory danych, takie jak CBVD-5 (Cow Behavior Video Dataset with 5 classes), oferują różnorodne adnotacje zachowań w różnych warunkach oświetleniowych, co czyni je cennymi punktami odniesienia w tej dziedzinie1. W większości praktycznych warunków gospodarstw kamery są zamocowane na umiarkowanej wysokości przy stosunkowo stabilnym oświetleniu, choć sporadyczne zasłonienie u bydła może wpływać na wykrywanie. Rozpoznawanie zachowań u zwierząt gospodarskich nadal napotyka wyzwania takie jak zasłona, zmienność ruchu oraz rzadka ilość danych treningowych. Aby sprostać tym wyzwaniom, wcześniejsze prace dotyczyły podejść opartych na sensorach2, modelowania wzorców obrazowych3 oraz strategii głębokiego uczenia zespołowego4. Frameworki do wykrywania obiektów, takie jak YOLO (You Only Look Once), wprowadzone po raz pierwszy przez Redmona i in.5, oraz jego bardziej zaawansowana wersja YOLOv76, wyróżniają się zdolnością do równoważenia dokładności wykrywania, opóźnień i efektywności obliczeniowej. W niniejszym badaniu wydajność w czasie rzeczywistym oznacza osiągnięcie prędkości wnioskowania powyżej 30 klatek na sekundę (FPS), co zapewnia płynne i ciągłe śledzenie zachowań oparte na wideo w praktycznych warunkach farm. Badanie to systematycznie ocenia wydajność YOLOv8n do YOLOv13n na zbiorze danych CBVD-5, kładąc nacisk na ograniczenia wykrywania zachowań i wdrażania w czasie rzeczywistym. Najnowsze osiągnięcia architektury YOLO, w tym otwarte wydania społecznościowe YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 oraz YOLOv1312, wprowadziły poprawę w zakresie precyzji wykrywania i efektywności obliczeniowej. Modele te wykorzystują innowacje takie jak uczenie wielozadaniowe, głowice bez kotwic oraz zoptymalizowane uczenie transferowe, dzięki czemu są bardziej odpowiednie dla środowisk o ograniczonych zasobach, typowych dla dużych ferm hodowli zwierząt. Jednak według naszej wiedzy nie przeprowadzono kompleksowych badań oceniających te modele w celu rozpoznania zachowań bydła. Aby wypełnić tę lukę, przeprowadzamy porównawczą ocenę najnowszych modeli YOLO (v8n-v13n) wykrywania zachowań bydła, wykorzystując zbiór danych zaprojektowany do symulacji rzeczywistych środowisk gospodarstw. Modele są oceniane przy użyciu standardowych wskaźników wykrywania, takich jak średnia średnia precyzja (mAP), precyzja, przywołanie, czas wnioskowania oraz FPS, aby określić, która odmiana najlepiej nadaje się do monitoringu bydła w czasie rzeczywistym w warunkach rolniczych. Zamiast proponować nową architekturę, niniejsze badanie ustanawia systematyczne i powtarzalne ramy benchmarkingowe dla najnowszych wariantów YOLO w kontekście monitorowania zachowań zwierząt gospodarskich, wypełniając lukę w aktualnej literaturze, gdzie ich porównawcze wyniki pozostają w dużej mierze niezbadane.

Rodzina detektorów obiektowych YOLO posiada znacznie zaawansowane widzenie komputerowe w czasie rzeczywistym, zwłaszcza w zastosowaniach wymagających zarówno szybkości, jak i dokładności. W rozpoznawaniu zachowań bydła, gdzie monitorowanie ruchów zwierząt w czasie rzeczywistym jest niezbędne, równowaga tych cech w YOLO czyni ją bardzo skuteczną. Niniejszy przegląd przedstawia ewolucję modeli YOLO, od wczesnych wersji po najnowsze, podkreślając kluczowe innowacje istotne dla wykrywania zachowań bydła. Każda z tych wersji wprowadzała ulepszenia w zakresie szybkości, dokładności i odporności wykrywania w warunkach gospodarstwa, dzięki czemu modele YOLO są coraz bardziej odpowiednie do monitorowania bydła w dynamicznych środowiskach.

Wczesne generacje YOLO (v1-v3) ustanowiły fundamenty jednoetapowego wykrywania obiektów poprzez ujednolicenie klasyfikacji i lokalizacji w jeden framework regresji. Wersje te stopniowo poprawiały szybkość wnioskowania, precyzję przestrzenną oraz wieloskalowe możliwości wykrywania, tworząc podwaliny pod zastosowanie YOLO w analizie zachowań zwierząt gospodarskich oraz innych scenariuszach rolniczych w czasie rzeczywistym 13,14,15,16. Po wydaniu YOLOv4 w 2020 roku architektura przeszła dalsze udoskonalenia, w tym zastosowanie szkieletu Cross Stage Partial (CSP), aktywacji Mish oraz zaawansowanych technik agregacji cech17, 18, 19. Te aktualizacje poprawiły wydajność modelu na mniejszych zbiorach danych, co jest częstym scenariuszem w wykrywaniu zachowań zwierząt gospodarskich ze względu na ograniczone anotowane próbki dla rzadkich zdarzeń. Projekt YOLOv5, realizowany przez społeczność, uruchomiony przez Ultralytics w 2020 roku, zyskał szeroką adopcję dzięki modułowemu projektowi i łatwości wdrożenia za pomocą frameworka PyTorch20. Chociaż nie był objęty recenzowanym artykułem, YOLOv5 stał się de facto bazą w zadaniach wykrywania bydła w czasie rzeczywistym dzięki silnemu połączeniu między dokładnością a elastycznością wdrożenia. YOLOv6, wydany w 2022 roku, stawiał na przyjazny sprzęt projekt, z szkieletem EfficientRep i szyją Rep-PAN21,22. Dzięki zastosowaniu detekcji bez kotwicy model poprawił odporność w scenariuszach związanych z zasłoną i częściową widocznością, warunkami często spotykanymi w zatłoczonych środowiskach hodowlanych. YOLOv7 dodatkowo zoptymalizował efektywność obliczeniową dzięki architekturze E-ELAN, umożliwiając szybsze trenowanie i poprawę wydajności na wielu skalach detekcji23. Równocześnie alternatywne modele, takie jak YOLOX24 i YOLOR25, zaawansowały szybkość wykrywania i uogólnienie, co jest kluczowymi cechami systemów monitoringu zwierząt na zewnątrz. Wydanie YOLOv8 firmy Ultralytics w 2023 roku wprowadziło kilka modyfikacji architektonicznych, w tym głowice wolne od kotwic, reparametryzację strukturalną oraz silniejsze strategie augmentacji. Te aktualizacje przyniosły znaczące poprawy zarówno w zakresie precyzji wykrywania, jak i szybkości wnioskowania, czyniąc YOLOv8 konkurencyjną opcją do analizy zachowań bydła w czasie rzeczywistym. Ewolucja trwała dalej wraz z pojawieniem się YOLOv9, YOLOv10, YOLOv11, YOLOv12 i YOLOv13. YOLOv9 zintegrował uczenie wielozadaniowe, aby wspólnie usprawnić klasyfikację, lokalizację oraz zadania pomocnicze, takie jak wykrywanie punktów kluczowych. YOLOv10 został zbudowany na tym fundamencie poprzez osadzenie modułów adaptacji domenowej oraz mechanizmów uwagi uwzględniających segmentację. YOLOv11 wprowadził samonadzorowane protokoły treningowe, które zmniejszały zależność od w pełni oznaczonych danych, oferując zalety w aplikacjach o ograniczonych danych, takich jak monitorowanie zachowań bydła. YOLOv12 podkreślał ulepszoną fuzję funkcji i dynamiczną reparametryzację. Wreszcie, YOLOv13 zawierał moduły oparte na transformatorach oraz uwagę czasoprzestrzenną, oferując doskonałą wydajność w wykrywaniu dużych prędkości i niskich opóźnień w złożonych, rzeczywistych scenariuszach rolniczych.

W ostatnich latach modele głębokiego uczenia oparte na YOLO stały się szeroko wykorzystywane do zautomatyzowanego i monitorowania zachowań bydła w czasie rzeczywistym ze względu na swoją efektywność i dokładność. Przed wdrożeniem detektorów opartych na YOLO, kilka wczesnych systemów opartych na wzroku udowodniło wykonalność monitorowania zwierząt gospodarskich opartych na obrazie. Na przykład Sumi i in. opracowali system monitorowania krów do wykrywania porodów z wykorzystaniem analizy cech ruchu26, podczas gdy Zin i in. zaproponowali oparte na głębokim uczeniu ramy identyfikacji krów, osiągające 97% dokładności rozpoznania27. Prace te stworzyły podstawy dla kolejnych metod wykrywania obiektów w precyzyjnej hodowli zwierząt. Kilka badań stosowało różne warianty YOLO do klasyfikacji zachowań, śledzenia ruchu oraz rozpoznawania postawy w różnych warunkach. Na przykład Mu i in. zaproponowali ulepszony, lekki model Cattle Behavior Recognition-YOLO28 (CBR-YOLO) oparty na YOLOv8, zoptymalizowany do adaptacji pogodowej w wielu scenach. Model osiągnął średnią dokładność na poziomie 90,2%, jednocześnie znacząco zmniejszając liczbę parametrów. Tong i in. wprowadzili model YOLO-BoT29, integrujący moduły uwagi i transformatorów w YOLOv8 do wykrywania zachowań i śledzenia bydła w złożonych środowiskach, osiągając wykrywanie mAP na poziomie 91,7% przy 31,2 FPS. Hao i in. zintegrowali mechanizm Efficient Multi-Scale Attention (EMA) w YOLOv530 (YOLOv5-EMA), który poprawił wykrywalność części ciała bydła (np. głowa, nogi), osiągając wartości mAP od 94,8% do 95,5%. Guarnido-Lopez i in.31 ocenili YOLOv8 i YOLOv10 pod kątem rozpoznawania zachowań związanych z karmieniem (np. żucie, gryzienie, zbliżanie się) u byków Charolais, zgłaszając, że YOLOv10 nieco przewyższał YOLOv8 w mAP@50, mAP@50-95, precyzji i przywołaniu, podczas gdy YOLOv8 wykazywał szybszą zbieżność i niższe naddopasowanie. Chociaż YOLOv1 do YOLOv8 zostały szeroko przyjęte i zweryfikowane w zadaniach związanych z hodowlą, zastosowanie YOLOv9 do YOLOv13 w tej dziedzinie pozostaje niedostatecznie zbadane. Do tej pory nie przeprowadzono kompleksowej oceny tych nowszych modeli wykrywania zachowań bydła, co podkreśla istotną lukę w istniejących badaniach i motywuje do dalszych badań nad ich rzeczywistymi wynikami.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Protokół

1. Przygotowanie zbioru danych

UWAGA: To badanie nie obejmowało nowych eksperymentów na zwierzętach. Wszystkie dane pochodzą z publicznie dostępnego zbioru danych CBVD-5, który został zebrany i udostępniony zgodnie z wytycznymi instytucjonalnymi dotyczącymi opieki nad zwierzętami przez jego oryginalnych autorów. Dlatego nie wymagano dodatkowej zgody etycznej dla tych prac.

  1. Zbiór danych obejmuje ciągłe nagrania z monitoringu rejestrowane przez siedem kamer Dahua (obiektywy 2,8 mm i 3,6 mm, model M/K) połączonych przez przełączniki gigabitowe i sieciowe rejestratory wideo, obejmujące 5 dni nieprzerwanej obserwacji w standardowych warunkach oświetlenia stodoły.
  2. Wyodrębniaj reprezentatywne ramki, aby uzyskać 25 000 anotowanych klatek kluczowych, zapewniając różnorodność czasową między typami zachowań. Przypisuj pięć klas zachowań: stojące, leżące, żerujące, pijące i ruminacyjne, używając VGG Image Annotator (VIA v3.0.11) według formatu AVA z ramkami ograniczającymi. Stwórz zunifikowany projekt VIA, używając schematu etykiet {stojący, leżący, zbierający, pijący, ruminacja}. Następnie eksportuj adnotacje jako pliki JSON i konwertuj je do formatu TXT zgodnego z YOLO, używając Roboflow (ustaw normalizację = True i jedną klasę na linię w ustawieniach projektu).
  3. Zmień rozmiar wszystkich obrazów do 640 × 640 pikseli i zastosuj automatyczną orientację.
  4. Wykonaj augmentację danych w Roboflow, stosując losowe poziome flipy (p = 0,5), obroty w granicach ±10 oraz zmienność jasności/kontrastu w granicach ±15%, aby zwiększyć uogólnienie modelu.
  5. Podziel zbiór danych na podzbiory treningowe, walidacyjne i testowe w stosunku 70/20/10 (obrazy 2049/585/293).

2. Wybór i konfiguracja modelu

  1. Wybierz sześć lekkich architektur YOLO: YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n oraz YOLOv13n.
  2. Zapisz specyfikacje modelu, w tym łączną liczbę warstw, liczbę parametrów i GFLOP, aby porównać wymagania obliczeniowe, jak podsumowano w Tabeli 1.
  3. Środowisko obliczeniowe oraz specyfikacje sprzętowo-programowe użyte w tym badaniu są wymienione w Tabeli Materiałów. Deterministyczne losowe nasiona zostały ustalone do 0, 42, 1337 dla reprodukcji.
  4. Inicjalizuj każdy model z oficjalnymi wcześniej wytrenowanymi wagami (np. yolov10n.pt, yolov13n.pt).

3. Trening modelu

  1. Trenuj wszystkie modele YOLO w identycznych warunkach eksperymentalnych, korzystając z ram Ultralytics YOLO (v8.3.63).
  2. Ustalimy rozdzielczość wejściową na 640 × 640 pikseli, z rozmiarem partii = 128 i początkową szybkością uczenia 0,01 (optymalizator SGD, harmonogram cosinus).
  3. Reprezentatywne polecenie treningowe dla każdego modelu (przykład: YOLOv8n):
    results = model.train(
    data=f'{dataset.location}/data.yaml',
    epochy=800,
    Cierpliwość=30,
    batch=128,
    imgsz=640,
    imię='yolov8n_test_800_epoch',
    save_period=100,
    pretrenowany=Prawdziwy,
    amp=Prawdziwe,
    pracowników=16,
    nasiono=1337
    )
  4. Stosuj wczesne zatrzymanie, gdy wewnętrzny wskaźnik poprawności (ważony łącznie precyzji, przypomnienia i mAP@50-95) ustabilizował się przez 30 kolejnych epok.
  5. Wybierz najlepszy punkt kontrolny dla każdego przebiegu na podstawie najwyższego mAP@50-95 i uśrednij końcowe wartości z trzech nasion (0, 42, 1337), aby zapewnić powtarzalność.
  6. Wyklucz większe warianty (np. YOLOv10m, YOLOv11l) ze względu na duże zapotrzebowanie na zasoby, aby zapewnić wykonalność na urządzeniach brzegowych32.

4. Ocena modelu

  1. Wydajność modelu oceniano za pomocą wbudowanej funkcji walidacyjnej Ultralytics:
    metrics = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. Oblicz mAP@50 i mAP@50-95.
  3. Generuj macierze pomyłek, aby sprawdzić wyniki w poszczególnych klasach.
  4. Metryki związane z efektywnością, w tym opóźnienia (ms/klatka), FPS, rozmiar modelu (MB) oraz czas treningu, były rejestrowane automatycznie. Tutaj FPS obliczano jako odwrotność całkowitego czasu wykonania na klatkę, który obejmował etapy wstępnego przetwarzania, wnioskowania modelu oraz postprocessingu.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Wyniki

Ta sekcja przedstawia wyniki oceny modeli YOLOv8 do YOLOv13 na zbiorze danych CBVD-5 dla rozpoznawania bydła wielobehawioralnego. Analiza koncentruje się na dokładności wykrywania, zbieżności treningowej, rozkładzie zachowań oraz przydatności wdrożenia w środowiskach o ograniczonych zasobach. Jakość zbioru danych i równowaga klas podążają za podziałami opisanymi w protokole (70/20/10), zapewniając spójną reprezentację wszystkich pięciu zachowań w zestawach treningowych, walidacyjnych i testowych. Rys...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Dyskusja

Ogólny sukces proponowanego ramowego systemu porównawczego zależy w kluczowej mierze od kilku kroków protokołu, w tym wysokiej jakości adnotacji zachowań, różnorodnego uzupełniania danych oraz stabilnego monitorowania zbieżności podczas treningu. Czynniki te zapewniają, że różnice w wydajności modelu odzwierciedlają prawdziwą zmienność architektury, a nie szum danych czy treningu. W tym badaniu systematycznie oceniono sześć lekkich wariantów YOLO (v8n do v13n) pod kątem wieloklasowego wykrywania zachowań bydła, wykorzyst...

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Oświadczenia

Autorzy deklarują, że nie mają ze sobą rywalizujących interesów.

Podziękowania

Prace te zostały sfinansowane z grantu na mosty Universiti Sains Malaysia, numer projektu: R501-LR-RND003-00000001342-00000.

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Rejestrator Dahua DH-NVR2216-HDS3Technologia Dahuahttps://www.dahuasecurity.com/
Dahua DH-S3000C-16GT przełącznik gigabitowyTechnologia Dahuahttps://www.dahuasecurity.com/
Kamera monitoringu Dahua M/K (obiektyw 2,8 mm / 3,6 mm)Technologia Dahuahttps://www.dahuasecurity.com/
Google Colab ProGooglehttps://colab.research.google.com/
MatplotlibSpołeczność Matplotlibhttps://matplotlib.org/
Karta graficzna NVIDIA A100NVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPySpołeczność NumPyhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna (optymalizacja hiperparametrów)Optuna.orghttps://optuna.org/
PandySpołeczność Pandashttps://pandas.pydata.org/
PyTorch (v2.0+)Fundacja PyTorchhttps://pytorch.org/
Python (v3.10)Python Software Foundationhttps://www.python.org/
Roboflow TSL DatasetRoboflowhttps://roboflow.com/
Ubuntu 20.04 LTSKanonicznyhttps://ubuntu.com/
Visual Studio CodeMicrosofthttps://code.visualstudio.com/
YOLOv13Ultralitykihttps://github.com/ultralytics/YOLOv13
YOLOv9Ultralitykihttps://github.com/ultralytics/YOLOv9

Bibliografia

  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).

Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.

Przedruki i uprawnienia

Tagi

Architektury YOLOdetekcja zachowa byd ametryki detekcji obiekt wbenchmarkowanie modeliwdro enie na urz dzeniach brzegowychdobrostan zwierz tszybko inferencji
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki Korzystania

Zasady

Copyright © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.