【目标检测论文解读复现NO.38】基于改进YOLOv8模型的轻量化板栗果实识别方法

前言
此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮助大家解答疑惑。解读的系列文章,本人已进行创新点代码复现,有需要的朋友可关注私信我。本文仅对论文代码实现,如果原文章的作者觉得不方便,请联系删除,尊重每一位论文作者。

一、摘要

为实现自然环境下的板栗果实目标快速识别,该研究以湖北省种植板栗为研究对象,提出了一种基于改进 YOLOv8 模型的栗果识别方法 YOLOv8-PBi。首先,将部分卷积(partial convolution,PConv)引入 C2f 模块中,缩减卷 积过程中的浮点数和计算量;其次,引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN),增 强多尺度特征融合性能,最后,更改边界框损失函数为动态非单调聚焦机制 WIoU(wise intersection over union, WIoU),提高模型收敛速度,进一步提升模型检测性能。试验结果表明,改进 YOLOv8-PBi 模型准确率、召回率和平 均精度分别为 89.4%、74.9%、84.2%;相比原始基础网络 YOLOv8s,模型权重减小 46.22%,准确率、召回率和平均精 度分别提升 1.3、1.5、1.8 个百分点。部署模型至边缘嵌入式设备上,经过 TensorRT 加速后,检测帧率达到 43 帧/s。该 方法可为板栗智能化收获过程中的栗果识别提供技术基础。

二、网络模型及核心创新点

这篇文章图表公式实验比较多,增加了损失函数对比等实验,以及图的注释等比较好比较全,值得大家学习的一篇中文核心论文。

**注:**论文原文出自 李茂,肖洋轶,宗望远,等. 基于改进 YOLOv8 模型的轻量化板栗果实识别方法[J]. 农业工程学报,2024,40(1):201- 209. doi: 10.11975/j.issn.1002-6819.202309185

解读的系列文章,本人已进行创新点代码复现。

相关推荐
要努力啊啊啊18 小时前
YOLOv2 正负样本分配机制详解
人工智能·深度学习·yolo·计算机视觉·目标跟踪
Ailerx20 小时前
YOLOv13震撼发布:超图增强引领目标检测新纪元
人工智能·yolo·目标检测
埃菲尔铁塔_CV算法1 天前
基于 TOF 图像高频信息恢复 RGB 图像的原理、应用与实现
人工智能·深度学习·数码相机·算法·目标检测·计算机视觉
cver1232 天前
野生动物检测数据集介绍-5,138张图片 野生动物保护监测 智能狩猎相机系统 生态研究与调查
人工智能·pytorch·深度学习·目标检测·计算机视觉·目标跟踪
学技术的大胜嗷2 天前
离线迁移 Conda 环境到 Windows 服务器:用 conda-pack 摆脱硬路径限制
人工智能·深度学习·yolo·目标检测·机器学习
kyle~2 天前
目标检测在国防和政府的应用实例
人工智能·目标检测·计算机视觉
weixin_377634842 天前
【数据增强】精细化贴图数据增强
人工智能·目标检测·贴图
加油吧zkf2 天前
目标检测新纪元:DETR到Mamba实战解析
图像处理·人工智能·python·目标检测·分类
txwtech2 天前
第10.4篇 使用预训练的目标检测网络
人工智能·计算机视觉·目标跟踪
一花·一叶3 天前
基于昇腾310B4的YOLOv8目标检测推理
yolo·目标检测·边缘计算