[論文レビュー] Comprehensive Performance Evaluation of YOLOv11, YOLOv10, YOLOv9, YOLOv8 and YOLOv5 on Object Detection of Power Equipment

Zijian He, Kai Wang+4 more|arXiv (Cornell University)|Nov 28, 2024

Industrial Vision Systems and Defect Detection被引用数 4

ひとこと要約

本研究は、電力機器の物体検出においてYOLOv5、YOLOv8、YOLOv9、YOLOv10、YOLOv11を評価し、C3K2モジュールやC2PSAアテンションメカニズムといったアーキテクチャ的改善を通じて、YOLOv11が公開データセットで最高のmAP（57.2％）とリCALL（64.8％）を達成したことを示している。

ABSTRACT

With the rapid development of global industrial production, the demand for reliability in power equipment has been continuously increasing. Ensuring the stability of power system operations requires accurate methods to detect potential faults in power equipment, thereby guaranteeing the normal supply of electrical energy. In this article, the performance of YOLOv5, YOLOv8, YOLOv9, YOLOv10, and the state-of-the-art YOLOv11 methods was comprehensively evaluated for power equipment object detection. Experimental results demonstrate that the mean average precision (mAP) on a public dataset for power equipment was 54.4%, 55.5%, 43.8%, 48.0%, and 57.2%, respectively, with the YOLOv11 achieving the highest detection performance. Moreover, the YOLOv11 outperformed other methods in terms of recall rate and exhibited superior performance in reducing false detections. In conclusion, the findings indicate that the YOLOv11 model provides a reliable and effective solution for power equipment object detection, representing a promising approach to enhancing the operational reliability of power systems.

研究の動機と目的

• 最新のYOLOバージョン（v5～v11）が電力系統の信頼性向上に寄与する電力機器の物体検出において果たす性能を評価すること。
• 実世界の条件下で工業用電力機器に対して最も正確かつ頑健な物体検出モデルを同定すること。
• YOLOv11におけるアーキテクチャ的変更が、複雑な環境下での検出精度、速度、耐性に与える影響を分析すること。
• 電力系統監視および故障検出分野におけるYOLOv11の最先端ソリューションとしての採用に実証的根拠を提供すること。

提案手法

• YOLOv11モデルは、YOLOv8のC2fモジュールを、1つの大きな畳み込み層ではなく2つの小さな畳み込み層を用いたカスタムC3K2モジュールに置き換え、効率性と特徴抽出性能を向上させている。
• YOLOv8のSPPFモジュールを維持することで、マルチスケール特徴学習および空間ピラミッドプーリングを強化している。
• チャネルと空間アテンションを統合するための新規C2PSAモジュールを導入し、マルチヘッドアテンション機構を用いてより効果的な特徴表現を実現している。
• 異なるデータセットに適応するためのアダプティブアンカーフレーム機構を実装し、アンカーボックスの設定を自動で最適化することで、局所化精度を向上させている。
• 標準的な物体検出指標（mAP、精度、リCALL）を用いて、公開の電力機器データセット上でモデルを学習および検証している。
• 実験では、電線およびトランスフォーマーのそれぞれについて、mAP、精度、リCALLを用いて5つのYOLOバージョンの比較評価を実施している。

実験結果

リサーチクエスチョン

• RQ1 YOLOv11は、電力機器の物体検出においてmAPおよびリCALLの観点からYOLOv5、YOLOv8、YOLOv9、YOLOv10に比べてどのように優れているか？
• RQ2 YOLOv11におけるアーキテクチャ的革新は、以前のバージョンに比べて検出性能が向上する要因としてどのように寄与しているか？
• RQ3 アダプティブアンカーフレーム機構は、多様な電力機器タイプにわたり、どの程度検出精度を向上させているか？
• RQ4 C3K2およびC2PSAモジュールは、個別および統合的に特徴抽出および検出の頑健性をどのように向上させているか？
• RQ5 複雑な産業環境下において、YOLOv11は以前のYOLOモデルに比べて誤検出および見逃しを顕著に低減しているか？

主な発見

• YOLOv11は、電力機器検出データセットで最高の平均平均精度（mAP）57.2％を達成し、YOLOv5（54.4％）、YOLOv8（55.5％）、YOLOv9（43.8％）、YOLOv10（48.0％）を上回った。
• YOLOv11は64.8％の最高リCALLレートを記録し、真陽性の検出能力が優れており、偽陰性を最小限に抑えることができた。
• 特定の電力機器カテゴリでは、YOLOv11は電線で73.9％mAP、トランスフォーマーで62.0％mAPを達成し、他のすべてのモデルを上回った。
• YOLOv11のC3K2モジュールは、小さなカーネルサイズを採用することで計算負荷を低減しながらも性能を維持し、推論速度を向上させた。
• C2PSAモジュールの統合により、チャネルおよび空間的依存性を同時にモデル化することで、特徴表現が顕著に向上した。
• アダプティブアンカーフレーム機構により、アンカーボックスの自動最適化が可能となり、多様なデータセットにおける局所化精度の向上に寄与した。