Evaluation der YOLOv8 Modellreihe mit HOP zur Objekterkennung in komplexen Agrarbereichen

In den letzten Jahren wurden viele Studien durchgeführt, die YOLO-Modelle zur Objekterkennung im Bereich der Landwirtschaft eingehend untersucht haben. Aus diesem Grund konzentrierte sich diese Studie auf vier Datensätze, die unterschiedliche agrarische Szenarien enthalten, und es wurden 20 verschiedene Trainings durchgeführt, um die Erkennungsfähigkeiten von YOLOv8 und HPO (Optimierung von Hyperparametern) zu verstehen. Während die Weed/Crop- und Pineapple-Datensätze mit YOLOv8n die genauesten Messwerte mit einem mAP-Wert von 0,8507 bzw. 0,9466 erreichten, war das prominente Modell für die Trauben- und Birnendatensätze YOLOv8l mit einem mAP-Wert von 0,6510 bzw. 0,9641. Diese Situation zeigt, dass das Training von YOLO mit mehreren Arten oder in unterschiedlichen Entwicklungsstadien einer einzigen Art YOLOv8n hervorhebt, während die Objekterkennung, die nur aus dem Hintergrund-Szenario extrahiert wird, natürlich das YOLOv8l-Modell hervorhebt.