[论文解读] 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 49

一句话总结

本文综述了从 v1 到 v10 的 YOLO 变体，并考察它们在农业中的潜力与应用，包括性能洞察和未来趋势。

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.

研究动机与目标

• 追踪从 v1 到 v10 的 YOLO 变体的演进进展。
• 评估 YOLO 变体如何应对农业挑战，如作物监测和畜牧管理。
• 综合现有关于 YOLO 在农业中的研究，识别差距与未来方向。
• 分析性能趋势及对精准农业和可持续农业的实际影响。

提出的方法

• 回顾从 v1 到 v10 的 YOLO 架构的历史进程。
• 总结各变体在架构、训练和优化方面的变化（如 v2/v3/v4/v5/v6/v7）。
• 突出文献中报道的关键性能指标和实时性能力（如 AP、FPS、mAP），以及它们与农业任务之间的关系。
• 讨论用于提升 YOLO 性能的数据集与数据增强策略（如 COCO、ImageNet、锚框、CIoU/Loss）。
• 分析 YOLO 变体在农业应用中的定位，如作物监测、疾病/害虫检测、产量估计和畜牧管理。
• 展望未来趋势及推进中的 YOLO 架构对精准农业的潜在影响。

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

实验结果

研究问题

• RQ1 从 v1 到 v10，YOLO 变体的架构与方法学有哪些进展？
• RQ2 在农业场景中，YOLO 变体在精度、速度和鲁棒性方面的表现如何？
• RQ3 YOLO 变体可以解决哪些农业挑战（例如小目标、遮挡、实时监测）？
• RQ4 在农业中应用 YOLO 模型时的数据、训练和部署注意事项是什么？
• RQ5 哪些未来方向和趋势可能塑造以 YOLO 为驱动的精准农业？

主要发现

• YOLOv3 引入多尺度检测和带扩展主干网络（Darknet-53）的二元交叉熵，并提高了 AP，在 20 FPS 下超越了先前模型。
• YOLOv4 集成了 CSPDarknet53、SPP、PANet 和 CIoU 损失以提升定位和整体性能。
• YOLOv5，在 PyTorch 实现，使用 CSPNet、SPP 块、PAN 颈部，以及基于 CIoU 的损失，在不同输入尺寸下实现更高的 AP（例如 416x416 的 AP50 60.6% 和 COCO 上的 AP 36.2，20 FPS，适用于早期变体）；表格显示了多个变体的结果。
• YOLOv6 引入了 CSPDarknet 主干、FPN，以及分类头与框回归头的分离，在 COCO test-dev 2017 上实现约 52.5% 的 AP，AP50 70%，在 T4 GPU 上约 50 FPS。
• YOLOv7 通过 E-ELAN、可扩展的模型尺寸和“bag-of-freebies”策略强调效率，提升了相比前代的精度和速度。
• 综述将 YOLO 变体定位为在作物监测、疾病/害虫检测、产量估计和畜牧管理等实时农业任务中的有前途的选择，同时指出小目标检测、遮挡和数据限制等挑战。

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