Método para la Detección y Seguimiento de Vacas Lecheras Basado en YOLO v11 Ligero
Autores: Li, Zhongkun; Cheng, Guodong; Yang, Lu; Han, Shuqing; Wang, Yali; Dai, Xiaofei; Fang, Jianyu; Wu, Jianzhai
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Método para la Detección y Seguimiento de Vacas Lecheras Basado en YOLO v11 Ligero
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Vacas lecheras
Modelo de detección de objetivos
Algoritmos de seguimiento
YOLO v11n
Módulo Ghost
Función de pérdida SDIoU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Para realizar el monitoreo automático de vacas lecheras, este estudio utiliza videos de diferentes períodos de tiempo de granjas lecheras como conjunto de datos para entrenar un modelo de detección de objetivos de vacas lecheras y comparar el rendimiento de diferentes algoritmos de seguimiento. En este estudio, se mejoró el modelo YOLO v11n al introducir el módulo Ghost y el módulo ELA (Atención Local Eficiente), lo que mejoró el rendimiento del modelo mientras se reducían los parámetros del mismo. Al mismo tiempo, se utilizó la función de pérdida SDIoU para entrenar los diferentes tamaños de objetivos en la granja lechera para mejorar la precisión del entrenamiento del modelo. Los parámetros del modelo se redujeron en un 18.59% sin operación de poda. El mAP@50, mAP@75 y mAP@50-95 aumentaron en un 0.6%, 2.0% y 2.3%, respectivamente. Al mismo tiempo, este artículo compara cuatro estrategias de seguimiento diferentes, y los resultados muestran que OC-SORT tiene un mejor rendimiento con un HOTA potencial del 89.81%.
Descripción
Para realizar el monitoreo automático de vacas lecheras, este estudio utiliza videos de diferentes períodos de tiempo de granjas lecheras como conjunto de datos para entrenar un modelo de detección de objetivos de vacas lecheras y comparar el rendimiento de diferentes algoritmos de seguimiento. En este estudio, se mejoró el modelo YOLO v11n al introducir el módulo Ghost y el módulo ELA (Atención Local Eficiente), lo que mejoró el rendimiento del modelo mientras se reducían los parámetros del mismo. Al mismo tiempo, se utilizó la función de pérdida SDIoU para entrenar los diferentes tamaños de objetivos en la granja lechera para mejorar la precisión del entrenamiento del modelo. Los parámetros del modelo se redujeron en un 18.59% sin operación de poda. El mAP@50, mAP@75 y mAP@50-95 aumentaron en un 0.6%, 2.0% y 2.3%, respectivamente. Al mismo tiempo, este artículo compara cuatro estrategias de seguimiento diferentes, y los resultados muestran que OC-SORT tiene un mejor rendimiento con un HOTA potencial del 89.81%.