YOLO v5 for SDSB Distant Tiny Object Detection

Yu, Xiaodong; Kuan, Ta Wen; Zhang, Yuhan; Yan, Taijun

doi:10.1109/icot56925.2022.10008164

Cited by 16 publications

(6 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…These techniques enable YOLOv8 to detect objects in images faster and more accurately, making it a key technology in the field of object detection. Figure 1 contains a structure diagram of the improved YOLOv8 model [32,33].…”

Section: Overview Of the Yolo V8 Algorithmmentioning

confidence: 99%

“…This indicates that the model can not only maintain a high frame rate when processing video streams, but it also performs excellently in terms of peak performance. In the literature [30][31][32][33][36][37][38], it was found that the performance of most existing object detection models tends to decline when processing large-scale datasets. However, this model can not only maintain high accuracy when processing large-scale datasets but also maintain a high frame rate when processing video streams.…”

Section: Experimental Comparison Of Different Network Modelsmentioning

confidence: 99%

See 1 more Smart Citation

Overhead Power Line Damage Detection: An Innovative Approach Using Enhanced YOLOv8

Wu,

Liao,

Chen

et al. 2024

Electronics

View full text Add to dashboard Cite

This paper presents an enhanced version of YOLOv8 specifically designed for detecting damage in overhead power lines. Firstly, to improve the model’s robustness, an adaptive threshold mechanism is introduced that can dynamically adjust the detection threshold based on the brightness, contrast, and other characteristics of the input image. Secondly, a novel convolution method, GSConv, is adopted in the YOLOv8 framework, which balances the model’s running speed and accuracy. Finally, a lightweight network structure, Slim Neck, is introduced, effectively reducing the model’s complexity and computational load while maintaining good performance. These improvements enable our YOLOv8 model to achieve excellent performance in detecting ‘thunderbolt’ and ‘break’ types of cable damage. Experimental results show that the improved YOLOv8 network model has an average detection accuracy (mAP) of 90.2%, a recall rate of 91.6%, and a precision of 89.8% on the ‘Cable Damage Detection’ dataset from RoboFlow for ‘thunderbolt’. For ‘break’, the mAP is 86.5%, the recall rate is 84.1%, and the precision is 86.1%. Compared with the original YOLOv8 model, these indicators have been significantly improved, highlighting the high practical value and strong generalization ability of the proposed algorithm in detecting damage to overhead power lines. This also demonstrates the high practical value of the method in future research directions.

show abstract

Section: Overview Of the Yolo V8 Algorithmmentioning

confidence: 99%

Section: Experimental Comparison Of Different Network Modelsmentioning

confidence: 99%

Overhead Power Line Damage Detection: An Innovative Approach Using Enhanced YOLOv8

Wu,

Liao,

Chen

et al. 2024

Electronics

View full text Add to dashboard Cite

show abstract

“…Source [3] mainly focuses on leveraging the strengths of this deep learning model for real-time detection of small and distant objects in challenging visual contexts. Customization and fine-tuning may be necessary to achieve the desired level of accuracy and performance for the particular application at hand.…”

Section: Review Of Litarature Sourcesmentioning

confidence: 99%

An Alternative to Vending Machines

Lozynskyi,

Yurchak

2023

ACPS

View full text Add to dashboard Cite

In this review article for a smart vending refrigerator, the contours of the future device are thought out and outlined and all its advantages are described. This device will be controlled using Computer Vision and some other features. The main control unit will be Raspberry PI, since it is the best for this device. Also, a web application was developed in which the user registers, and the applica- tion itself transmits the user's information through an API that will be developed to communicate with the web server, and the web server will store this information. This article will analyze the systems that have been already on the market and their pros and cons, as well as consider the design, implementation and functionality of a smart vend- ing refrigerator. Also, the paper will consider key requirements for this system, technologies used, and approaches to integration with existing infrastructures. This design plays an important role in providing comfort and productivity in various fields of activity and can be applied in many areas.

show abstract

“…Bu model, algılanan nesnenin etrafında bir çerçeve çizerek nesneyi tanımlarken, aynı zamanda nesne tahmini yapabilir. YOLO algoritmasının gün geçtikçe daha kullanışlı ve daha etkin sürümleri çıkmaktadır [5]. Bu çalışmada tomografi görüntülerinin işlenmesi, YOLO algoritması kullanarak sınıflandırılması ve sonrasında yeni görüntüler üzerinde tümör tespiti yapmak hedeflenmiştir.…”

Section: Giriģ *unclassified

Beyin Tümörü Tanıları İçin YOLOv7 Algoritması Tabanlı Karar Destek Sistemi Tasarımı

Yılmaz

2023

Kocaeli Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

Sağlık alanında derin öğrenme algoritmalarının karar destek sistemleriyle bağdaştırılması her geçen gün daha tutarlı teshişler ve etkin tedavilerin önünü açmaktadır. Sağlık çalışanları, daha fazla veri, belge ve deneyim içeren karar verme modelleri ile etkileşime geçerek hızlı ve doğru kararlar alabilmektedir. Derin öğrenme modellerindeki gelişmelerle birlikte, imge ve video görüntülerinden doğru ve hızlı bir şekilde nesne tespiti için evrişimsel sinir ağları gibi mimariler yaygın olarak kullanılmaya başlanmıştır. Evrişimsel sinir ağları üzerine inşa edilen nesne tespit modellerinde, eğitim aşamasından geçtikten sonra test aşamasında önce nesnenin tahmini yapılır ve belirlenen nesne çerçeve içine alınarak tespit aşaması tamamlanır. Bu çalışmada, YOLO algoritması kullanılarak beyin tümörlerinin ve konumlarının MR görüntüleri üzerinde tespiti hedeflenmiştir. YOLOv7 ve YOLOv7-tiny algoritmaları üzerinde 3203 eğitim görüntüsü kullanılarak model eğitimleri tamamlanmıştır. Bunu, çok sayıda klinik deneyimin karar destek sistemine aktarılması olarak yorumlamak yanlış olmayacaktır. Model eğitim çıktılarının başarımı kesinlik, hatırlama ve F1 puanı gibi ölçütler açısından değerlendirilmiştir. Eğitim görüntüleri haricinde test ve doğrulama görüntüleri de oluşturulmuştur. Görüntüler “makesense.ai” kullanılarak etiketlenmiştir ve Google Colab üzerinden eğitimleri gerçekleştirilmiştir. Tespitlerde %97’lere varan doğruluklar elde edilmiştir. YOLO algoritmasının karar destek sistemlerinin doğruluğunu arttırması farklı sağlık kurumlarındaki tanılar arasında tutarlılığı sağlayacak, kişisel kaynaklı tespit hatalarını en aza indirgeyecek ve izlenecek tedavi prosedürlerini olumlu yönde etkileyecektir.

show abstract

YOLO v5 for SDSB Distant Tiny Object Detection

Cited by 16 publications

References 6 publications

Overhead Power Line Damage Detection: An Innovative Approach Using Enhanced YOLOv8

Overhead Power Line Damage Detection: An Innovative Approach Using Enhanced YOLOv8

An Alternative to Vending Machines

Beyin Tümörü Tanıları İçin YOLOv7 Algoritması Tabanlı Karar Destek Sistemi Tasarımı

Contact Info

Product

Resources

About