[논문 리뷰] 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)|2024. 06. 14.

Plant Virus Research Studies인용 수 49

한 줄 요약

본 논문은 v1부터 v10까지의 YOLO 변형들을 조사하고 농업에서의 잠재력과 응용을 살펴보며, 성능 인사이트와 향후 동향을 다룬다.

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.

연구 동기 및 목표

• YOLO 변형의 v1에서 v10까지의 진화적 발전을 추적한다.
• 작물 모니터링 및 가축 관리와 같은 농업 과제를 YOLO 변형이 어떻게 해결할 수 있는지 평가한다.
• 농업에서의 YOLO에 관한 기존 연구를 종합하고 격차와 향후 방향을 식별한다.
• 정밀농업 및 지속가능한 농업에 대한 성능 추세와 실무적 시사점을 분석한다.

제안 방법

• v1에서 v10까지의 YOLO 아키텍처의 역사적 변천을 검토한다.
• 변형들 간의 아키텍처, 학습 및 최적화 변화들을 요약한다(예: v2/v3/v4/v5/v6/v7).
• 문헌에서 보고된 주요 성능 지표 및 실시간 역량(AP, FPS, mAP 등)과 이것들이 농업 작업과 어떻게 연관되는지 강조한다.
• YOLO 성능 향상을 위한 데이터 세트 및 데이터 증강 전략을 논의한다(예: COCO, ImageNet, anchor boxes, CIoU/Loss).
• 작물 모니터링, 질병/해충 탐지, 수확량 추정, 가축 관리와 같은 농업 응용 분야에 대해 YOLO 변형들이 어떻게 위치되어 왔는지 분석한다.
• 정밀농업에 대한 진보하는 YOLO 아키텍처의 향후 동향과 잠재적 영향력을 예측한다.

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

실험 결과

연구 질문

• RQ1 v1에서 v10까지의 YOLO 변형에서 아키텍처 및 방법론적 발전은 무엇인가?
• RQ2 정확도, 속도, 견고성 측면에서 농업 맥락에서 YOLO 변형의 성능은 어떠한가?
• RQ3 YOLO 변형이 해결할 수 있는 농업 과제는 무엇인가(예: 작은 물체, 가림, 실시간 모니터링)?
• RQ4 농업에 YOLO 모델을 적용할 때의 데이터, 학습 및 배포 고려사항은 무엇인가?
• RQ5 YOLO 주도 정밀농업을 형성할 가능성이 높은 향후 방향과 동향은 무엇인가?

주요 결과

• YOLOv3는 다중 스케일 탐지와 확장된 백본(Darknet-53)과 이진 교차 엔트로피를 도입하여 AP를 향상시키고, 20 FPS에서 이전 모델을 능가했다.
• YOLOv4는 CSPDarknet53, SPP, PANet, 및 CIoU 손실을 도입하여 위치 추정과 전반적인 성능을 향상시켰다.
• YOLOv5, PyTorch로 구현되며, CSPNet, SPP 블록, PAN 넥, CIoU 기반 손실을 사용하고, 다양한 입력 크기에서 더 높은 AP를 달성한다(예: 416x416에서 AP50 60.6%, COCO에서 AP 36.2% 및 20 FPS, 초기 변형들에 대한 표에는 여러 변형 결과가 나열됨).
• YOLOv6는 CSPDarknet 백본, FPN, 분리된 분류 및 박스 회귀 헤드를 도입하여 COCO test-dev 2017에서 AP 약 52.5%, AP50 70%를 달성하고 T4 GPU에서 약 50 FPS를 기록한다.
• YOLOv7은 E-ELAN, 확장 가능한 모델 크기 조정, 그리고 'bag-of-freebies' 전략으로 효율성을 강조하며 선행 모델보다 정확도와 속도를 향상시킨다.
• 본 설문은 YOLO 변형을 작물 모니터링, 질병/해충 탐지, 수확량 추정, 가축 관리와 같은 실시간 농업 작업에 유망하다고 평가하며, 작은 물체 탐지, 가림, 데이터 한계와 같은 과제를 지적한다.

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