模型修剪和知识蒸的协作优化,以实现小猪有效和轻量级的多行为识别

科学领域:

• 农业技术 农业技术
• 计算机视觉 计算机视觉
• 动物科学动物科学

背景情况:

• 精确的小猪行为监测对于集约养猪至关重要,但目前的模型是计算密集的.
• 现有的小猪行为识别模型在实际农业应用中面临局限性,因为资源需求很高.

研究的目的:

• 为集约农业开发一个计算效率高,准确的小猪多行为识别模型.
• 为了平衡模型压缩与实时应用的高检测准确度和速度.

主要方法:

• 利用LAMP修剪算法创建了一个轻量级的YOLOv8-Prune模型.
• 将AIFI模块和收集分配机制集成到YOLOv8中,形成YOLOv8-GDA.
• 使用YOLOv8-GDA作为教师和YOLOv8-Prune作为学生的知识蒸来创建YOLOv8-Piglet模型.

主要成果:

• YOLOv8-Piglet实现了精度增加6.3%,回忆增加11.2%,以及91.8%的mAP@0.5.5.
• 在NVIDIA Jetson Orin NX平台上,推断时间减少了53.8% (从353.9毫秒减少到163.2毫秒).
• 证明了显著的模型压缩,而不会影响识别准确度.

结论:

• YOLOv8-Piglet模型在检测准确度和处理速度之间提供了有效的平衡,用于识别小猪的行为.
• 这种结合修剪和知识蒸的方法优化了农业环境中边缘计算的模型性能.
• 开发的模型提高了在现实世界密集养猪环境中先进的行为监测的可行性.