对YOLO架构进行全面的分析,以识别番茄叶病
Leo Thomas Ramos1, Angel D Sappa2,3
1Computer Vision Center, Universitat Autònoma de Barcelona, Barcelona, 08193, Spain. ltramos@cvc.uab.cat.
Scientific reports
|July 24, 2025
概括
YOLOv11在检测番茄叶病方面表现出色,在准确性和速度上优于其他YOLO模型. 这一进步对于精准农业和作物产量优化至关重要.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 准确的番茄叶病检测对于精准农业至关重要.
- 早期识别疾病可以防止作物损失,提高产量.
- 评估先进的深度学习模型是提高检测准确性的关键.
研究的目的:
- 为了比较最新的YOLO架构 (YOLOv8,YOLOv9,YOLOv10,YOLOv11,YOLOv12) 对于番茄叶病检测的性能.
- 为了确定最有效的YOLO模型的准确性,训练时间和推断速度.
- 为未来的农业技术进步建立一个基准.
主要方法:
- 利用番茄村数据集,在六个疾病类别中收集了14368张图像.
- 在相同的设置下训练了YOLOv8,YOLOv9,YOLOv10,YOLOv11和YOLOv12模型.
- 基于精度,回忆,平均精度 (mAP),训练时间和推断速度的评估模型.
主要成果:
- YOLOv11实现了最高的精度,超过了其他YOLO架构的性能.
- YOLOv10,YOLOv8和YOLOv12表现出强大的表现.
- 在资源有限的环境中,YOLOv12n被证明是最有效的轻量级模型.
- YOLOv9表现最差,训练时间较长,延迟时间较长.
结论:
- YOLOv11是检测番茄叶病的最有效的解决方案.
- 该研究提供了针对农业应用的YOLO模型的全面比较.
- 研究结果支持将先进的人工智能集成到作物监测和管理中.
