YOLOv3, YOLOv4 ve YOLOv5 algoritmalarının Performans Karşılaştırması: Kümes Hayvan Tanıma İçin Bir Vaka Çalışması

Abstract

Bu çalışmanın amacı, görüntüleri sınıflandırmak için kullanılan popüler evrişim sinir ağı modellerinin arasındaki performans farklılıklarını bulmaktır. Bunun için, YOLO modelinin farklı versiyonları üzerinde bir vaka çalışması yürütüldü. Bu çalışma için yeni bir veri seti oluşturulmuştur. Oluşturulan veri setinde, 918 adet tavuk, horoz ve civciv görüntülerini içeren kümes hayvanı fotoğrafları bulunmaktadır. Veri kümesinin % 80'i eğitim % 20 test olarak ayrılmıştır. Eğitim ve test veri kümelerindeki kümes hayvanlarının görüntüleri manuel olarak etiketlendi. Eğitim veri kümelesindeki görüntüler YOLOv3-tiny, YOLOv3, YOLOv4-tiny, YOLOv4, YOLOv5s, ve YOLOv5x modelleri kullanılarak eğitim tamamlandı. Kümes hayvanı tespiti için YOLOv5' modeli ile elde edilen sonuçlar diğer popüler CNN mimarisi sahip olan YOLOv3 YOLOv4 modelleri ile karşılaştırılmıştır. Sonuç olarak YOLOv5x(XLarge Depth(derinlik)) modeli 0,5 IOU'da %99,5 ortalama hassasiyetle en yüksek doğruluk oranı bulunmuştur.

Comparison of YOLOv5 and YOLOv6 Models for Plant Leaf Disease Detection

“…YOLOv7 showed the highest mean Average Precision (mAP) of approximately 60%, followed by YOLO-p6, YOLOv5, and YOLO-Xm with 56, 53, and 46%, respectively. In [12], a performance comparison was made between YOLOv3, YOLOv4, and YOLOv5 for poultry recognition. The dataset was split into training and testing parts with a ratio of 80% and 20%, respectively.…”