Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Yöntem makalesi

Hassas Hayvancılıkta Akıllı Gerçek Zamanlı Sığır İzleme ve Veri Odaklı Çiftlik Yönetimi için YOLOv8-v13 Mimarilerinin Kıyaslanması

976 görüntüleme

⸱

DOI:

10.3791/69490

⸱

14 Kasım 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

Bu makalede

Özet

Bu protokol, refah ve çiftlik yönetimi optimizasyonunu desteklemek amacıyla gerçek zamanlı sığır davranışı tespiti için altı YOLO modelini karşılaştırır.

Özet

Gerçek zamanlı ve doğru sığır davranışı tespiti, hayvan refahını iyileştirmek ve hayvancılık yönetimini optimize etmek için çok önemlidir. Bu konuyu ele almak için bu çalışma, özel CBVD-5 veri setini kullanarak beş temel sığır davranışını (ayakta durma, yatma, yiyecek arama, içme ve ruminasyon) tanımak için topluluk tarafından geliştirilen altı hafif YOLO (Yalnızca Bir Kez Bakarsınız) modelini (YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n ve YOLOv13n) kapsamlı bir şekilde değerlendirmektedir. Veri kümesi, gerçek dünyadaki izleme senaryolarını yansıtacak şekilde çeşitli aydınlatma koşullarını ve doğal ahır ortamlarını içerir. Tüm modeller, doğruluk ve verimliliğin dengeli bir değerlendirmesini sağlamak için standart nesne algılama ölçümleri (kesinlik, geri çağırma, mAP@50 ve mAP@50-95) ve çıkarım süresi, saniyedeki kare sayısı (FPS), model boyutu ve eğitim süresi dahil olmak üzere dağıtım odaklı göstergeler kullanılarak değerlendirildi. YOLOv13n en yüksek mAP@50-95'e (0,712) ulaşırken, YOLOv11n en yüksek mAP@50 (0,967) ulaştı ve algılama doğruluğu ile çıkarım hızı arasında iyi bir denge ile istikrarlı bir yakınsama sergiledi. YOLOv10n en yüksek çıkarım hızını (1,2 ms/kare, ~833 FPS) göstererek sürekli ahır gözetimi gibi gecikmeye duyarlı uygulamalar için çok uygun hale getirdi. Tüm modeller, 6 MB'ın altındaki kompakt boyutları ve ~300 FPS'yi aşan gerçek zamanlı verimi koruyarak uç dağıtım için pratikliklerini doğruladı. Sonuçlar, modern YOLO varyantlarını değerlendirmek için tekrarlanabilir bir kıyaslama çerçevesi oluşturmakta ve verimli, ölçeklenebilir ve refah odaklı hayvancılık izleme sistemleri için model seçimine ilişkin içgörüler sunmaktadır.

Giriş

Sığır davranışlarının etkin bir şekilde izlenmesi, hassas hayvancılıkta refah yönetiminin, hastalık tespitinin ve operasyonel optimizasyonun desteklenmesi açısından çok önemlidir. Non-invaziv görme temelli yaklaşımlar, ölçeklenebilirlikleri ve çok yönlülükleri nedeniyle özellikle umut vericidir. CBVD-5 (5 sınıflı Davranışı Video Veri Kümesi) gibi standartlaştırılmış veri kümeleri, çeşitli aydınlatma koşullarında çeşitli davranış açıklamaları sunarak onları bu alanda değerli ölçütler haline getirir1. Çoğu pratik çiftlik ortamında, kameralar nispeten sabit aydınlatma ile orta yükseklikte sabitlenir, ancak sığırlar arasında ara sıra tıkanma algılama performansını etkileyebilir. Hayvancılıkta davranış tanıma, tıkanma, hareket değişkenliği ve seyrek eğitim verileri gibi zorluklarla karşılaşmaya devam ediyor. Bu zorlukların üstesinden gelmek için, önceki çalışmalar sensör tabanlı yaklaşımları2, görüntü modeli modellemeyi3 ve topluluk derin öğrenme stratejilerini4 araştırmıştır. İlk olarak Redmon ve ark.5 tarafından tanıtılan YOLO (You Only Look Once) ve daha gelişmiş versiyonu YOLOv76 gibi nesne algılama çerçeveleri, algılama doğruluğu, gecikme süresi ve hesaplama verimliliğini dengeleme yetenekleriyle öne çıkmaktadır. Bu çalışmada gerçek zamanlı performans, pratik çiftlik ortamlarında sorunsuz ve sürekli video tabanlı davranış takibi sağlayan saniyede 30 karenin (FPS) üzerinde bir çıkarım hızına ulaşmayı ifade etmektedir. Bu çalışma, CBVD-5 veri kümesi üzerinde YOLOv8n aracılığıyla YOLOv13n arasındaki performansını sistematik olarak değerlendirmekte ve gerçek zamanlı davranış tespiti ve dağıtım kısıtlamalarını vurgulamaktadır. Açık topluluk sürümleri YOLOv87, YOLOv98, YOLOv109, YOLOv1110, YOLOv1211 ve YOLOv1312 dahil olmak üzere YOLO mimarisindeki son gelişmeler, algılama hassasiyeti ve hesaplama verimliliğinde iyileştirmeler getirmiştir. Bu modeller, çoklu görev öğrenimi, çapasız kafalar ve optimize edilmiş transfer öğrenimi gibi yeniliklerden yararlanarak, onları genellikle büyük ölçekli hayvancılık çiftliklerinde karşılaşılan kaynakların kısıtlı olduğu ortamlar için daha uygun hale getiriyor. Ancak, bildiğimiz kadarıyla, bu modelleri özellikle sığır davranışlarının tanınması için değerlendiren kapsamlı bir çalışma yapılmamıştır. Bu boşluğu doldurmak için, gerçek dünyadaki çiftlik ortamlarını simüle etmek üzere tasarlanmış bir veri kümesi kullanarak sığır davranışlarının tespiti için son YOLO modellerinin (v8n-v13n) karşılaştırmalı bir değerlendirmesini yapıyoruz. Modeller, çiftçilik koşullarında gerçek zamanlı sığır izleme uygulamaları için hangi varyantın en uygun olduğunu belirlemek için ortalama ortalama hassasiyet (mAP), kesinlik, geri çağırma, çıkarım süresi ve FPS gibi standart tespit ölçümleri kullanılarak değerlendirilir. Bu çalışma, yeni bir mimari önermek yerine, hayvancılık davranışlarının izlenmesi bağlamında son YOLO varyantları için sistematik ve tekrarlanabilir bir kıyaslama çerçevesi oluşturmakta ve karşılaştırmalı performanslarının büyük ölçüde keşfedilmemiş olduğu mevcut literatürdeki bir boşluğu ele almaktadır.

YOLO nesne dedektörleri ailesi, özellikle hem hız hem de doğruluk gerektiren uygulamalarda gerçek zamanlı bilgisayar görüşünü önemli ölçüde geliştirmiştir. Hayvan hareketlerinin gerçek zamanlı olarak izlenmesinin gerekli olduğu sığır davranışı tanımada, YOLO'nun bu özelliklerin dengesi onu oldukça etkili kılmaktadır. Bu inceleme, YOLO modellerinin ilk versiyonlarından en yenilerine kadar geçirdiği evrimi özetlemekte ve sığır davranışlarının tespiti ile ilgili temel yenilikleri vurgulamaktadır. Her yineleme, çiftlik koşullarında algılama hızı, doğruluğu ve sağlamlığında iyileştirmeler sağlayarak YOLO modellerini dinamik ortamlarda sığırları izlemek için giderek daha uygun hale getirmiştir.

YOLO'nun (v1-v3) ilk nesilleri, sınıflandırma ve yerelleştirmeyi tek bir regresyon çerçevesinde birleştirerek tek aşamalı nesne algılamanın temelini oluşturmuştur. Bu sürümler, çıkarım hızını, uzamsal hassasiyeti ve çok ölçekli algılama yeteneğini aşamalı olarak geliştirerek, YOLO'nun hayvancılık davranış analizinde ve diğer gerçek zamanlı tarım senaryolarında 13,14,15,16 uygulanması için zemin hazırladı. YOLOv4'un 2020'de piyasaya sürülmesiyle birlikte mimari, Çapraz Aşama Kısmi (CSP) omurgasının benimsenmesi, Mish aktivasyonu ve gelişmiş özellik toplama teknikleri 17,18,19 dahil olmak üzere daha fazla iyileştirme gördü. Bu güncellemeler, nadir olaylar için sınırlı açıklamalı örnekler nedeniyle hayvancılık davranışı tespitinde yaygın bir senaryo olan daha küçük veri kümelerinde model performansını artırdı. Ultralytics tarafından 2020 yılında başlatılan topluluk odaklı YOLOv5 projesi, modüler tasarımı ve PyTorch çerçevesi20 aracılığıyla dağıtım kolaylığı nedeniyle yaygın bir şekilde benimsenmiştir. Hakemli bir makale eşlik etmese de, YOLOv5 doğruluk ve dağıtım esnekliği arasındaki güçlü dengesi nedeniyle gerçek zamanlı sığır tespit görevlerinde fiili bir temel haline geldi. 2022 yılında piyasaya sürülen YOLOv6, EfficientRep omurgası ve Rep-PAN sapı21,22 ile donanım dostu tasarıma öncelik vermiştir. Model, çapasız algılamayı dahil ederek, kalabalık sığır ortamlarında sıklıkla karşılaşılan koşullar olan tıkanma ve kısmi görünürlük içeren senaryolarda sağlamlığı artırdı. YOLOv7 E-ELAN mimarisi aracılığıyla hesaplama verimliliğini daha da optimize ederek birden fazla algılama ölçeğinde daha hızlı eğitim ve gelişmiş performans sağladı23. Aynı zamanda, YOLOX24 ve YOLOR25 gibi alternatif modeller, her ikisi de dış mekan hayvancılık izleme sistemleri için temel özellikler olan gelişmiş algılama hızı ve genellemedir. Ultralytics tarafından YOLOv8 'un 2023 sürümü, ankrajsız başlıklar, yapısal yeniden parametrelendirme ve daha güçlü büyütme stratejileri dahil olmak üzere çeşitli mimari modifikasyonlar getirdi. Bu güncellemeler hem tespit hassasiyetinde hem de çıkarım hızında önemli kazanımlar sağlayarak YOLOv8 adresini gerçek zamanlı sığır davranış analizi için rekabetçi bir seçenek haline getirdi. Evrim YOLOv9, YOLOv10, YOLOv11, YOLOv12 ve YOLOv13'ün ortaya çıkmasıyla devam etti. YOLOv9 sınıflandırma, yerelleştirme ve anahtar nokta tespiti gibi yardımcı görevleri ortaklaşa geliştirmek için çoklu görev öğrenimini entegre etti. YOLOv10 bu temel üzerine, alan uyarlama modülleri ve segmentasyona duyarlı dikkat mekanizmaları yerleştirilerek inşa edilmiştir. YOLOv11 tam etiketli verilere bağımlılığı azaltan ve sığır davranışlarının izlenmesi gibi veri seyrek uygulamalarda avantajlar sunan kendi kendini denetleyen eğitim protokollerini tanıttı. YOLOv12 gelişmiş özellik füzyonu ve dinamik yeniden parametrelendirmeyi vurguladı. Son olarak, YOLOv13 , transformatör tabanlı modülleri ve uzay-zamansal dikkati bir araya getirerek karmaşık, gerçek zamanlı tarım senaryolarında yüksek hızlı, düşük gecikmeli algılama için üstün performans sunar.

Son yıllarda, YOLO tabanlı derin öğrenme modelleri, verimlilikleri ve doğrulukları nedeniyle otomatik ve gerçek zamanlı sığır davranışlarının izlenmesi için yaygın olarak kullanılmaya başlandı. YOLO tabanlı dedektörlerin benimsenmesinden önce, birkaç erken görüş tabanlı sistem, görüntüye dayalı hayvan izlemenin fizibilitesini göstermişti. Örneğin, Sumi ve ark. hareket özelliği analizi26 kullanarak buzağılama tespiti için bir izleme sistemi geliştirirken, Zin ve ark. %97 tanıma doğruluğu27 elde eden derin öğrenmeye dayalı bir tanımlama çerçevesi önerdi. Bu çalışmalar, hassas hayvancılıkta sonraki nesne algılama yaklaşımlarının temelini oluşturdu. Çeşitli çalışmalar, çeşitli koşullar altında davranış sınıflandırması, hareket izleme ve duruş tanıma için farklı YOLO varyantları uygulamıştır. Örneğin, Mu ve ark. çok sahneli hava adaptasyonu için optimize edilmiş, YOLOv8'e dayalı geliştirilmiş bir hafif Sığır Davranışı Tanıma-YOLO28 (CBR-YOLO) modeli önerdi. Model, parametre sayısını önemli ölçüde azaltırken ortalama %90.2 doğruluk elde etti. Tong ve arkadaşları, karmaşık ortamlarda sığır davranışlarının tespiti ve takibi için dikkat ve transformatör tabanlı modülleri YOLOv8 adresine dahil eden ve 31,2 FPS'de %91,7'lik bir algılama mAP'si elde eden YOLO-BoT model29'u tanıttı. Hao ve arkadaşları YOLOv530'a (YOLOv5-EMA) Verimli Çok Ölçekli Dikkat (EMA) mekanizması entegre ederek sığır vücut kısımları (örneğin kafa, bacaklar) için algılama performansını artırdı ve %94,8 ile %95,5 arasında mAP değerlerine ulaştı. Guarnido-Lopez ve ark.31 Charolais boğalarında beslenmeyle ilgili davranışların (örn. çiğneme, ısırma, yaklaşma) tanınması için YOLOv8 ve YOLOv10'u değerlendirmiş, YOLOv10'un mAP@50, mAP@50-95, kesinlik ve hatırlamada YOLOv8'den biraz daha iyi performans gösterdiğini, YOLOv8'in ise daha hızlı yakınsama ve daha düşük aşırı uyum sergilediğini bildirmiştir. YOLOv1'den YOLOv8'e kadar olan bilgiler hayvancılıkla ilgili görevler için yaygın olarak benimsenmiş ve doğrulanmış olsa da, YOLOv9 ila YOLOv13 adresinin bu alanda uygulanabilirliği yeterince araştırılmamıştır. Bugüne kadar, sığır davranışlarının tespitine yönelik bu yeni modellerin kapsamlı bir değerlendirmesi yapılmadı, bu da mevcut araştırmalardaki kritik bir boşluğun altını çizdi ve gerçek dünyadaki performanslarına ilişkin daha fazla araştırmayı motive etti.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

1. Veri kümesi hazırlama

NOT: Bu çalışma yeni hayvan deneylerini içermemiştir. Tüm veriler, orijinal yazarları tarafından kurumsal hayvan bakımı yönergelerine uygun olarak toplanan ve yayınlanan, kamuya açık CBVD-5 veri setinden elde edilmiştir. Bu nedenle, bu çalışma için ek bir etik onay gerekmemiştir.

  1. Veri seti, gigabit anahtarlar ve ağ video kaydedicileri aracılığıyla bağlanan yedi Dahua kamerası (2,8 mm ve 3,6 mm lensler, model M/K) tarafından yakalanan ve standart ahır aydınlatma koşulları altında 5 günlük kesintisiz gözlemi kapsayan sürekli gözetim kayıtlarından oluşuyor.
  2. 25.000 açıklamalı anahtar kare elde etmek için temsili kareleri çıkarın ve davranış türleri arasında zamansal çeşitlilik sağlayın. AVA sınırlayıcı kutu formatını izleyerek VGG Image Annotator'ı (VIA v3.0.11) kullanarak ayakta durma, yalan söyleme, yiyecek arama, içme ve ruminasyon olmak üzere beş davranış sınıfına açıklama ekleyin. {standing, liing, pickaging, drinking, rumination} etiket şemasını kullanarak birleşik bir VIA projesi oluşturun. Ardından ek açıklamaları JSON dosyaları olarak dışa aktarın ve Roboflow kullanarak YOLO uyumlu TXT formatına dönüştürün (proje ayarlarında normalleştirme = True ve satır başına bir sınıf ayarlayın).
  3. Tüm görüntüleri 640 × 640 piksel olarak yeniden boyutlandırın ve otomatik yönlendirme uygulayın.
  4. Model genellemesini geliştirmek için Roboflow'da rastgele yatay çevirmeler (p = 0.5), ±10 içinde döndürmeler ve %±15 içinde parlaklık/kontrast değişimi uygulayarak veri artırma gerçekleştirin.
  5. Veri kümesini 70/20/10 oranında (2049/585/293 görüntü) eğitim, doğrulama ve test alt kümelerine bölün.

2. Model seçimi ve kurulumu

  1. Altı hafif YOLO mimarisi seçin: YOLOv8n, YOLOv9t, YOLOv10n, YOLOv11n, YOLOv12n ve YOLOv13n.
  2. Tablo 1'de özetlendiği gibi, hesaplama gereksinimlerini karşılaştırmak için toplam katman sayısı, parametre sayısı ve GFLOP'lar dahil olmak üzere model özelliklerini kaydedin.
  3. Bu çalışmada kullanılan bilgi işlem ortamı ve donanım-yazılım özellikleri Malzeme Tablosunda listelenmiştir. Deterministik rastgele tohumlar, tekrarlanabilirlik için 0, 42, 1337'ye sabitlendi.
  4. Her modeli resmi önceden eğitilmiş ağırlıklarla başlatın (örneğin, yolov10n.pt, yolov13n.pt).

3. Model eğitimi

  1. Ultralytics YOLO (v8.3.63) çerçevesini kullanarak tüm YOLO modellerini aynı deneysel ortamlar altında eğitin.
  2. Giriş çözünürlüğünü 640 × 640 pikselde, toplu iş boyutu = 128 ve başlangıç öğrenme hızı 0,01 (SGD iyileştirici, kosinüs zamanlayıcı) ile sabitleyin.
  3. Her model için temsili eğitim komutu (örnek: YOLOv8n):
    sonuçlar = model.train(
    data=f'{dataset.location}/data.yaml',
    dönemler=800,
    sabır=30,
    toplu = 128,
    imgsz=640,
    isim='yolov8n_test_800_epoch',
    save_period=100,
    pretrained=Doğru,
    amp=Doğru,
    işçiler=16,
    tohum=1337
    )
  4. İç doğrulama uygunluk ölçümü (duyarlık, geri çağırma ve mAP@50-95'in ağırlıklı bileşimi) art arda 30 dönem boyunca durağanlaştığında erken durdurma uygulayın.
  5. En yüksek doğrulama mAP@50-95'e göre her çalıştırma için en iyi kontrol noktasını seçin ve tekrarlanabilirliği sağlamak için üç tohumdaki (0, 42, 1337) nihai değerlerin ortalamasını alın.
  6. Uç cihazlarda fizibiliteyi sağlamak için yüksek kaynak talepleri nedeniyle daha büyük varyantları (örneğin, YOLOv10m, YOLOv11l) hariç tutun32.

4. Model değerlendirmesi

  1. Model performansı, Ultralytics yerleşik doğrulama işlevi kullanılarak değerlendirilmiştir:
    metrikler = model.val(data=f'{dataset.location}/data.yaml', split='test')
  2. mAP@50 ve mAP@50-95'i hesaplayın.
  3. Sınıf bazında performansı incelemek için karışıklık matrisleri oluşturun.
  4. Gecikme (ms/kare), FPS, model boyutu (MB) ve eğitim süresi dahil olmak üzere verimlilikle ilgili ölçümler otomatik olarak günlüğe kaydedildi. Burada FPS, ön işleme, model çıkarımı ve işlem sonrası aşamaları içeren toplam kare başına yürütme süresinin tersi olarak hesaplandı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Bu bölüm, çok davranışlı sığır tanıma için CBVD-5 veri kümesi üzerindeki YOLOv8 ila YOLOv13 modellerinin değerlendirme sonuçlarını sunmaktadır. Analiz, kaynakların sınırlı olduğu ortamlarda algılama doğruluğu, eğitim yakınsaması, davranışsal dağılım ve dağıtım uygunluğuna odaklanır. Veri kümesi kalitesi ve sınıf dengesi, protokolde (70/20/10) açıklanan bölünmeleri takip ederek eğitim, doğrulama ve test setlerinde beş davranışın tamamının tutarlı bir şekilde temsil edilmesini sağlar. Şekil 1 ...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Önerilen karşılaştırmalı çerçevenin genel başarısı, yüksek kaliteli davranış açıklaması, çeşitli veri artırma ve eğitim sırasında istikrarlı yakınsama izleme dahil olmak üzere çeşitli protokol adımlarına kritik bir şekilde bağlıdır. Bu faktörler, model performans farklılıklarının veri veya eğitim gürültüsü yerine gerçek mimari varyasyonu yansıtmasını sağlar. Bu çalışma, CBVD-5 veri setini kullanarak çok sınıflı sığır davranışı tespiti için altı hafif YOLO varyantını (v8n ila v13n) sistem...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Yazarlar, herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

Bu çalışma, Universiti Sains Malaysia Köprü Hibesi, Proje No: R501-LR-RND003-0000001342-0000 tarafından finanse edilmiştir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Dahua DH-NVR2216-HDS3 KaydediciDahua Teknolojisihttps://www.dahuasecurity.com/
Dahua DH-S3000C-16GT Gigabit SwitchDahua Teknolojisihttps://www.dahuasecurity.com/
Dahua M/K Gözetleme Kamerası (2.8 mm / 3.6 mm lens)Dahua Teknolojisihttps://www.dahuasecurity.com/
Google Colab ProGooglehttps://colab.research.google.com/
MatplotlibMatplotlib Topluluğuhttps://matplotlib.org/
NVIDIA A100 GPUNVIDIAhttps://www.nvidia.com/en-us/data-center/a100/
NumPyNumPy Topluluğuhttps://numpy.org/
OpenCVOpenCV.orghttps://opencv.org/
Optuna (Hiperparametre Optimizasyonu)Optuna.orghttps://optuna.org/
PandalarPandas Topluluğuhttps://pandas.pydata.org/
PyTorch (v2.0+)PyTorch Vakfıhttps://pytorch.org/
Python (v3.10)Python Yazılım Vakfıhttps://www.python.org/
Roboflow TSL Veri SetiRoboflowhttps://roboflow.com/
Ubuntu 20.04 LTSKurallıhttps://ubuntu.com/
Visual Studio CodeMicrosofthttps://code.visualstudio.com/
YOLOv13Ultralitiklerhttps://github.com/ultralytics/YOLOv13
YOLOv9Ultralitiklerhttps://github.com/ultralytics/YOLOv9

Kaynaklar

  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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

YOLO MimarileriS r Davran TespitiNesne Tespit MetrikleriModel K yaslamaU Da t mHayvan Refahkar m H z
Bize ulaşın
Kütüphaneye tavsiye et

Gizlilik

Kullanım Şartları

İlkeler

Telif hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.