Bu protokol, refah ve çiftlik yönetimi optimizasyonunu desteklemek amacıyla gerçek zamanlı sığır davranışı tespiti için altı YOLO modelini karşılaştırır.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
Bu protokol, refah ve çiftlik yönetimi optimizasyonunu desteklemek amacıyla gerçek zamanlı sığır davranışı tespiti için altı YOLO modelini karşılaştırır.
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.
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 sığırla....
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
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.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
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.
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.
Yazarlar, herhangi bir çıkar çatışması olmadığını beyan ederler.
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.
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Dahua DH-NVR2216-HDS3 Kaydedici | Dahua Teknolojisi | https://www.dahuasecurity.com/ | |
| Dahua DH-S3000C-16GT Gigabit Switch | Dahua Teknolojisi | https://www.dahuasecurity.com/ | |
| Dahua M/K Gözetleme Kamerası (2.8 mm / 3.6 mm lens) | Dahua Teknolojisi | https://www.dahuasecurity.com/ | |
| Google Colab Pro | https://colab.research.google.com/ | ||
| Matplotlib | Matplotlib Topluluğu | https://matplotlib.org/ | |
| NVIDIA A100 GPU | NVIDIA | https://www.nvidia.com/en-us/data-center/a100/ | |
| NumPy | NumPy Topluluğu | https://numpy.org/ | |
| OpenCV | OpenCV.org | https://opencv.org/ | |
| Optuna (Hiperparametre Optimizasyonu) | Optuna.org | https://optuna.org/ | |
| Pandalar | Pandas Topluluğu | https://pandas.pydata.org/ | |
| PyTorch (v2.0+) | PyTorch Vakfı | https://pytorch.org/ | |
| Python (v3.10) | Python Yazılım Vakfı | https://www.python.org/ | |
| Roboflow TSL Veri Seti | Roboflow | https://roboflow.com/ | |
| Ubuntu 20.04 LTS | Kurallı | https://ubuntu.com/ | |
| Visual Studio Code | Microsoft | https://code.visualstudio.com/ | |
| YOLOv13 | Ultralitikler | https://github.com/ultralytics/YOLOv13 | |
| YOLOv9 | Ultralitikler | https://github.com/ultralytics/YOLOv9 |
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.