[水果目标检测5]AppleYOLO：基于深度OC-SORT的改进YOLOv8苹果产量估计方法

原文：AppleYOLO: Apple yield estimation method using improved YOLOv8 based on Deep OC-SORT

目录

摘要：

本文的主要贡献总结如下：                                                            

AppleYOLO通过以下创新点增强了模型性能：                           

1. 骨干网络 (Backbone)

2. 颈部网络 (Neck)

3. 头部网络 (Head)

4. 追踪器 (Tracker)

研究中使用的数据集                                                                       

数据集概况

数据集划分与扩充

标注方法

防止过拟合措施

对AppleYOLO在不同数据集和方法上进行比较：                                   

1. 跨数据集验证

2. 跨方法比较

实验结果与性能分析                                                                    

应用潜力与未来展望

摘要：

苹果产量估算的准确性对果园管理至关重要。现有的苹果产量估算方法仍然缺乏准确性和效率。为了解决这一挑战，本文提出了一种基于YOLOv8和Deep OC-SORT（AppleYOLO）的苹果产量估计方法。为了充分学习苹果的边缘信息，轻量级FasterNet被用作AppleYOLO的主干部分。为了使AppleYOLO准确捕捉上下文信息，提高苹果的空间感知，在其主干之后设计了焦点调制。为了解决提取复杂特征的能力，在AppleYOLO的特征融合部分采用了具有有效参数的动态卷积内核仓库。为了克服实时检测苹果时跟踪不稳定和重复计数的问题，在AppleYOLO中部署了深度OC-SORT。在我们定制的数据集中，通过消融实验验证，FasterNet、Focal Modulation和KernelWarehouse的引入增强了AppleYOLO的检测性能。与基准模型YOLOv8相比，AppleYOLO的mAP50和mAP50-95分别为98.5%和79.8%，提高了1%和5.1%。此外，AppleYOLO的性能优于其他最先进的方法，如YOLOv9-t、RT-DETR、YOLOv8和YOLOv7。实验证明，AppleYOLO能够达到高精度、高效率的目标。

本文的主要贡献总结如下：                                                            

• 1.针对大型果园苹果产量估算的挑战，提出了一种基于YOLOv8和Deep OC-SORT（AppleYOLO）的苹果产量估算方法。图 1 显示了 AppleYOLO 网络架构的四个关键组件：Backbone 网络、Neck 网络、Head 网络和 Tracker 部分。

• 2.为了提高网络学习输入图像边缘信息的能力，例如苹果的轮廓和纹理，在AppleYOLO的骨干网中引入了FasterNet。在不增加网络模型内存访问时间的情况下，提高了学习对象边缘信息的效率。

• 3.为了提取苹果大小信息、定位苹果位置、提高物体的空间识别能力，采用调焦（Focal Modulation，FM）机制来提高AppleYOLO的可解释性和关键信息的捕获能力。

• 4.为了减少树干、树枝和树叶对苹果检测造成的遮挡和干扰，利用KernelWarehouse（KWConv）提高了AppleYOLO Neck网络的复杂特征提取能力。

• 5.利用跟踪算法Deep OC-SORT作为AppleYOLO的Tracker部分，解决了实时苹果检测中跟踪不稳定、重复计数的问题。它确保每个检测到的苹果都被分配一个唯一的识别号，从而提高苹果产量估算的准确性

AppleYOLO通过以下创新点增强了模型性能：                           

• FasterNet：引入该快速神经网络，以充分提取苹果的边缘信息。

• Focal Modulation：采用这种特征聚合策略，增强模型对苹果大小和位置的特征表达能力。

• KernelWarehouse：利用这一参数高效的动态卷积技术，提升模型学习复杂特征的能力。

• Deep OC-SORT：引入一种新的基于运动分析的计数方法，显著提高了苹果计数的准确性。

1.