[論文レビュー] YOLOv1 to YOLOv10: A comprehensive review of YOLO variants and their application in the agricultural domain

Mujadded Al Rabbani Alif, Muhammad Hussain|arXiv (Cornell University)|Jun 14, 2024

Plant Virus Research Studies被引用数 49

ひとこと要約

本論は v1 から v10 までの YOLO バリアントを調査し、それらの農業における潜在能力と応用を検討する。性能の洞察と今後の動向を含む。

ABSTRACT

This survey investigates the transformative potential of various YOLO variants, from YOLOv1 to the state-of-the-art YOLOv10, in the context of agricultural advancements. The primary objective is to elucidate how these cutting-edge object detection models can re-energise and optimize diverse aspects of agriculture, ranging from crop monitoring to livestock management. It aims to achieve key objectives, including the identification of contemporary challenges in agriculture, a detailed assessment of YOLO's incremental advancements, and an exploration of its specific applications in agriculture. This is one of the first surveys to include the latest YOLOv10, offering a fresh perspective on its implications for precision farming and sustainable agricultural practices in the era of Artificial Intelligence and automation. Further, the survey undertakes a critical analysis of YOLO's performance, synthesizes existing research, and projects future trends. By scrutinizing the unique capabilities packed in YOLO variants and their real-world applications, this survey provides valuable insights into the evolving relationship between YOLO variants and agriculture. The findings contribute towards a nuanced understanding of the potential for precision farming and sustainable agricultural practices, marking a significant step forward in the integration of advanced object detection technologies within the agricultural sector.

研究の動機と目的

• v1 から v10 までの YOLO バリアントの進化的進歩をたどる。
• 作物モニタリングや家畜管理などの農業課題に対して YOLO バリアントがどのように対処できるか評価する。
• 農業における YOLO に関する既存研究を総合し、ギャップと今後の方向性を特定する。
• 精密農業と持続可能な農業における性能動向と実践的影響を分析する。

提案手法

• v1 から v10 までの YOLO アーキテクチャの歴史的推移をレビューする。
• バリアント間のアーキテクチャ、トレーニング、および最適化の変化を要約する（例: v2/v3/v4/v5/v6/v7）。
• 文献で報告された主要な性能指標とリアルタイム能力（例: AP、FPS、mAP）を強調し、それらが農業タスクとどのように関連するかを説明する。
• YOLO 性能向上に用いられるデータセットとデータ拡張戦略を議論する（例: COCO、ImageNet、アンカーボックス、CIoU/Loss）。
• 作物モニタリング、病害虫検知、収量推定、家畜管理などの農業用途に対して YOLO バリアントがどのように位置づけられてきたかを分析する。
• 精密農業への YOLO アーキテクチャの進化がもたらす今後の動向と潜在的影響を予測する。

Figure 1: The General structure of a CNN, highlighting convolutional layers, pooling, and fully connected layers.

実験結果

リサーチクエスチョン

• RQ1 v1 から v10 までの YOLO バリアントにおけるアーキテクチャ的および方法論的な進歩は何か？
• RQ2 精度・速度・堅牢性の観点から、農業環境における YOLO バリアントの性能はどうか？
• RQ3 YOLO バリアントはどのような農業課題（例: 小さな物体、遮蔽、リアルタイム監視）に対処できるか？
• RQ4 農業で YOLO モデルを適用する際のデータ・トレーニング・デプロイの検討事項は何か？
• RQ5 YOLO 主導の精密農業を形作るであろう今後の方向性とトレンドは何か？

主な発見

• YOLOv3 は拡張バックボーン（Darknet-53）と多段階検出および二値交差エントロピーを導入し、APを改善して20 FPSで前モデルを上回った。
• YOLOv4 は CSPDarknet53、SPP、PANet、CIoU Loss を統合して局在化と全体性能を向上させた。
• YOLOv5 は PyTorch で実装され、CSPNet、SPP ブロック、PAN ネック、CIoUベースの損失を使用し、さまざまな入力サイズでより高い AP を達成した（例: 416x416 で AP50 60.6%、COCO で 20 FPS の前期バリアントで AP 36.2%）; 表は複数のバリアント結果を示す。
• YOLOv6 は CSPDarknet バックボーン、FPN、分類ヘッドとボックス回帰ヘッドの分離を導入し、COCO test-dev 2017 で ~50 FPS、AP 約52.5%、AP50 70% を達成、T4 GPU で。
• YOLOv7 は E-ELAN、スケーラブルなモデルサイズ、Bag-of-Freebies 戦略で効率を強調し、前任モデルより精度と速度を向上させた。
• 本調査は、作物モニタリング、病害虫検知、収量推定、家畜管理などのリアルタイム農業タスクに対して YOLO バリアントを有望視する一方、小さな物体検出、遮蔽、データの制約といった課題を指摘している。

Figure 2: Single and multiple objects in an image: Classification, Localization, Segmentation.