Improved Lightweight Rebar Detection Network Based on YOLOv8s Algorithm
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper introduces an improved YOLOv8-based algorithm, Yolo-Rebar, designed to address the challenges of intelligent rebar counting in construction engineering. By integrating SPDConv to replace traditional convolution for downsampling, and combining bi-directional feature pyramid networks (Bi-PAN-FPN), internal intersection over union (Inner-IoU) evaluation strategy, and Dynamic Head component, Yolo-Rebar optimizes the network structure and inference process, significantly reducing computational load and parameter count while maintaining a high detection accuracy (mAP of 0.985). Maintaining a low computational demand (29.9 GFLOPs) and a moderate model size (27.1 MB), Yolo-Rebar outperforms Yolov5s and Yolov8s models in detection accuracy by 1.5% and 0.8% respectively, and compared to Yolov3-app and Yolov8m models, it requires lower computational resources while maintaining high accuracy. Empirical results demonstrate that Yolo-Rebar exhibits remarkable robustness and precision in complex construction environments, such as varying lighting conditions, rebar stacking, and occlusions. This research not only enhances the efficiency and accuracy of material acceptance in construction engineering but also provides a new direction for the further development of deep learning technology in industrial applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle