YOLO

鱼病往往具有很高的传染风险，造成巨大的经济损失。使用深度学习在诊断过程中准确评估鱼病的严重程度提出了相当大的挑战。目前，深度学习模型主要集中在鱼病检测中的单一任务，例如分类、目标检测和分割。然而，鱼病严重程度的准确评估需要多维度信息的整合，这超出了传统单任务方法的能力。因此，本文提出YOLO-FD，一种专门为同时检测和分割而设计的多任务学习网络。 YOLO-FD 通过集成一个新颖的语义分割分支来扩展 YOLOv8 主干，该分支致力于精确分割病鱼中的感染区域，同时保留用于识别感染鱼的原始对象检测分支。权重不确定性和 PCGrad 用于平衡不同损失的权重并优化训练过程中的冲突梯度。在网络参数仅增加可忽略不计的情况下，YOLO-FD 在我们构建的诺卡氏菌鱼数据集上进行测试，实现了 94.2% mAP50 的检测精度，并获得了 79.4% 的 mIOU，比基线 YOLOv8 提高了 0.5%，并超越了状态 -最先进的语义分割网络 Deeplabv3plus 提高了 4%。值得注意的是，与改编后的多任务网络 YOLOP 相比，YOLO-FD 表现出了显着的改进，mAP50-95 提高了 13.7%，mIOU 提高了 15.1%。在 VOC2012 分割数据集上，与基线相比，所提出的方法显示 mAP50 增加了 3.2%，mAP50-95 增加了 2.2%。 此外，消融实验的结果验证了所提出的多任务学习方法的有效性和泛化性。源代码可在 处获得。

"点击查看英文标题和摘要"

相关知识

YOLO系列网络训练数据准备工具—Yolo
一种基于YOLO的宠物图像识别方法
Safety Helmet Detection Based on YOLO
[YOLO专题
YOLO车牌目标检测数据集下载与训练教程
YOLO电力金具检测数据集及训练教程发布
YOLO训练内存优化：释放资源，提升训练速度，告别卡顿
YOLO训练过拟合问题：分析与解决方案，让模型泛化更强
yolo 11从原理、创新点、训练到部署(yolov11代码+教程)
2024长沙YOLO音乐节几点结束入场？

网址: YOLO https://www.mcbbbk.com/newsview709715.html