使用改进的YOLOv11n细分模型轻量检测和分段鱼部分
Wei Shi1, Jun Zhang1, YunFan Fu1
1College of Engineering Science and Technology, Shanghai Ocean University, No. 999, Huchenghuan Rd., Nanhui New City, 201306, Shanghai, China.
Scientific reports
|July 15, 2025
概括
我们开发了YOLOv11nDHBC,这是一款轻量级的人工智能模型,用于精确地检测和细分鱼子部件. 这种高效的框架增强了水生环境中的自动处理,甚至在边缘设备上.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 自动化鱼子部件加工要求高精度,但当前的方法在小型解剖结构和边缘设备部署方面存在困难.
- 现有的技术在复杂,杂乱的水生环境中缺乏效率和稳定性.
研究的目的:
- 引入YOLOv11nDHBC,一种新的轻量级检测和细分框架,用于准确识别鱼子部件.
- 为了提高小型的解剖特征的自动细分的效率和准确性.
主要方法:
- 拟议的D-HGNetV2骨干与DynamicConv模块,以减少参数和增强多尺度特征提取.
- 实现了双向特征金字塔网络 (BiFPN) 适应性跨尺度表示融合.
- 利用CARAFE内容意识的升级样本,以保留高分辨率的细节,用于小目标细分.
主要成果:
- 在一个定制数据集上,YOLOv11nDHBC实现了96.8%的检测mAP@0.5和96.0%的细分mAP@0.5.
- 该模型以65.8 FPS的实时推断速度与紧的4.2 MB大小进行了实时推断,超过了YOLOv11nSeg基线.
- 与HGNetV2.8相比,实现了参数减少31%,计算成本降低9.8%.
结论:
- YOLOv11nDHBC提供了一个强大的,高效的解决方案,用于自动化鱼子部件细分.
- 轻量化和高性能的设计有助于在水产加工系统和边缘设备中部署.
- 整合D-HGNetV2,BiFPN和CARAFE显著提高了对小,封闭或重叠的鱼部分的细分精度.
