[论文解读] 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 4

一句话总结

本研究评估了 YOLOv5、YOLOv8、YOLOv9、YOLOv10 和 YOLOv11 在电力设备目标检测中的表现，结果表明 YOLOv11 在公开数据集上实现了最高的 mAP（57.2%）和召回率（64.8%），通过架构改进如 C3K2 模块和 C2PSA 注意力机制，显著提升了检测精度并减少了误报。

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.

研究动机与目标

• 评估近期 YOLO 变体（v5 至 v11）在电力设备检测中的性能，以提升电力系统可靠性。
• 识别在真实工业环境下最准确且鲁棒的工业电力设备目标检测模型。
• 分析 YOLOv11 中架构改进对复杂环境中检测精度、速度和鲁棒性的影响。
• 为在电力系统监测与故障检测中采用 YOLOv11 作为先进解决方案提供实证依据。

提出的方法

• YOLOv11 将 YOLOv8 中的 C2f 模块替换为使用两个较小卷积层而非一个大卷积层的自定义 C3K2 模块，提升了效率和特征提取能力。
• 保留 YOLOv8 中的 SPPF 模块，以增强多尺度特征学习和空间金字塔池化效果。
• 引入一种新型 C2PSA 模块，整合通道与空间注意力机制，通过多头注意力机制实现更有效的特征表示。
• 实现自适应锚框框架机制，可自动优化不同数据集的锚框配置，提升定位精度。
• 在公开电力设备数据集上使用标准目标检测指标（包括 mAP、精确率和召回率）进行模型训练与验证。
• 实验包括对五种 YOLO 版本在导线和变压器两类目标上分别进行 mAP、精确率和召回率的对比评估。

实验结果

研究问题

• RQ1 YOLOv11 在电力设备目标检测中的 mAP 和召回率方面相较于 YOLOv5、YOLOv8、YOLOv9 和 YOLOv10 表现如何？
• RQ2 YOLOv11 中哪些架构创新促使其检测性能优于前代模型？
• RQ3 自适应锚框框架机制在不同电力设备类型中在多大程度上提升了检测精度？
• RQ4 C3K2 和 C2PSA 模块在单独及协同作用下如何改善特征提取与检测鲁棒性？
• RQ5 在复杂工业环境中，YOLOv11 是否显著减少了误报和漏报现象，相较于早期 YOLO 模型？

主要发现

• YOLOv11 在电力设备检测数据集上实现了最高的平均平均精度（mAP）57.2%，优于 YOLOv5（54.4%）、YOLOv8（55.5%）、YOLOv9（43.8%）和 YOLOv10（48.0%）。
• YOLOv11 的召回率最高，达到 64.8%，表明其在检测真实正样本方面能力更强，且能有效减少漏报。
• 在特定电力设备类别中，YOLOv11 对导线的 mAP 达 73.9%，对变压器的 mAP 达 62.0%，优于所有其他模型。
• YOLOv11 中的 C3K2 模块通过使用更小的卷积核尺寸降低了计算负载，同时保持性能，从而提升了推理速度。
• C2PSA 模块的集成显著改善了特征表示，通过联合建模通道与空间依赖关系。
• 自适应锚框框架机制实现了锚框的自动优化，显著提升了在多样化数据集上的定位精度。