[論文レビュー] Comparative Analysis of YOLOv9, YOLOv10 and RT-DETR for Real-Time Weed Detection

Ahmet Oğuz Saltık, Alicia Allmendinger+1 more|arXiv (Cornell University)|Dec 18, 2024

Smart Agriculture and AIAgricultural and Biological Sciences被引用数 3

ひとこと要約

本研究では、RTX3080、RTX3090、RTX4090 GPU 上で、320〜960px の複数の画像解像度と複数のモデルサイズを用いて、農業分野におけるリアルタイム除草剤散布のための YOLOv9、YOLOv10、RT-DETR の性能を評価した。YOLOv9 と YOLOv10 は、精度と速度の両立が図られている。一方、RT-DETR (l) は、特に解像度が高くなると顕著に長くなる推論時間の代償を支払っても、最高の mAP を達成している。

ABSTRACT

This paper presents a comprehensive evaluation of state-of-the-art object detection models, including YOLOv9, YOLOv10, and RT-DETR, for the task of weed detection in smart-spraying applications focusing on three classes: Sugarbeet, Monocot, and Dicot. The performance of these models is compared based on mean Average Precision (mAP) scores and inference times on different GPU and CPU devices. We consider various model variations, such as nano, small, medium, large alongside different image resolutions (320px, 480px, 640px, 800px, 960px). The results highlight the trade-offs between inference time and detection accuracy, providing valuable insights for selecting the most suitable model for real-time weed detection. This study aims to guide the development of efficient and effective smart spraying systems, enhancing agricultural productivity through precise weed management.

研究の動機と目的

• スマートスプレーイング応用を想定した、YOLOv9、YOLOv10、RT-DETR のリアルタイム除草検出性能を評価すること。
• 異なるモデルアーキテクチャおよびサイズにおける検出精度（mAP）と推論速度のトレードオフを分析すること。
• 入力画像解像度（320px から 960px）がモデル精度および推論時間に与える影響を評価すること。
• ハードウェア制約とパフォーマンス指標に基づいて、リアルタイム農業応用に最も適したモデルを同定すること。
• 多様なハードウェアおよび解像度設定における実証的ベンチマークを提供することで、精密農業におけるオブジェクト検出モデルの選定を支援すること。

提案手法

• 本研究では、nano、small、medium、large のバリエーションを持つ YOLOv9 および YOLOv10、および二段階型トランスフォーマー基盤の検出器である RT-DETR (l) を評価した。
• 解像度依存の性能を評価するため、画像解像度を 320px、480px、640px、800px、960px に設定してテストを行った。
• 精度指標として mAP50 および mAP50-95 を使用し、推論時間は RTX3080 ラップトップ、RTX3090、RTX4090 の3種類の GPU デバイスで記録した。
• 評価は、現実のスマートスプレーイング状況を反映する3つの雑草クラス（シュガービート、モノコット、ディコット）を含むデータセット上で実施した。
• 各モデルアーキテクチャにおける計算ボトルネックを理解するために、時間分布分析を実施した。
• 比較的視覚化および統計的分析を用いて、異なる設定における検出品質およびモデルの頑健性を評価した。

実験結果

リサーチクエスチョン

• RQ1 YOLOv9、YOLOv10、RT-DETR (l) は、変動する画像解像度において mAP50 および mAP50-95 でどのように比較されるか？
• RQ2 各モデルが異なる GPU デバイスで推論時間と検出精度のトレードオフをどのように示すか？
• RQ3 画像解像度の向上が、各モデルの mAP および推論時間にどのように影響するか？
• RQ4 農業現場におけるリアルタイム除草検出において、速度と精度のバランスが最も優れているモデルはどれか？
• RQ5 顕著な精度低下が発生する解像度の閾値は何か？また、モデルのバリエーションはこの閾値にどのように反応するか？

主な発見

• より大きな画像解像度（例：960px）は、すべてのモデルで一貫して mAP スコアを向上させ、RT-DETR (l) は 960px で最も顕著な向上を示した（mAP50: 68.1、mAP50-95: 87.2）。
• YOLOv9 (c) および YOLOv10 (l) は、RTX3080 で 30ms 未満の推論時間で高い mAP 値（mAP50: 約 85–87）を達成しており、リアルタイム用途に適していることが示された。
• RT-DETR (l) は 960px 解像度で最高の mAP50-95 スコア 87.2 を達成したが、RTX3080 での推論時間が 34.7ms と最も長く、高い計算コストを伴うことが判明した。
• 640px と 960px の間の精度差は小さいが、640px 未満では顕著な精度低下が発生し、特に RT-DETR (l) に顕著に見られた。
• YOLOv9 および YOLOv10 は、異なる画像サイズおよび GPU においても安定した性能を示し、mAP および推論時間の変動が最小限に抑えられており、頑健性が確認された。
• 時間分布分析の結果、RT-DETR (l) はアテンション機構および特徴処理に多くの時間を費やしており、これは一時的 YOLO モデルと比較して推論が遅い主な要因であることが判明した。