PrFu-YOLO: A Lightweight Network Model for UAV-Assisted Real-Time Vehicle Detection Toward an IoT Underlayer
Notice bibliographique
Résumé
With the rapid development of Internet of Things (IoT) and UAV technology, for the whole IoT system of vehicle detection, the middle and high level of information transmission and server processing has made a breakthrough, so at the bottom of the real-time detection of the vehicle by the UAV is the key to the whole system. However, UAV vehicle detection faces the challenges of too many small targets in the image leading to low detection accuracy, limited hardware platform resources requiring control of model size, and real-time detection requiring high inference speed. Aiming at the above problems, we propose a lightweight model PrFu-YOLO based on YOLOv8 improvement, which achieves a good balance between the accuracy, inference speed, and model size. And it realizes real-time vehicle detection embedded in an UAV platform. To solve the problem of low vehicle detection accuracy, we design a new structure PrFuFPN based on adding a small target detection layer to achieve more advanced feature fusion. To address the limited resources of the platform and the problem of real-time vehicle detection, we add GhostConv to the structure and constantly try to adjust the parameters of the network. Finally, extensive experiments were conducted on the VisDrone2019 and CARPK data sets to fully evaluate the model. Compared to YOLOv8s on the VisDrone2019 test set, mAP50 was improved by 10.05%, mA95 by 14.54%, the number of parameters was reduced by 8.13%, and the model size was reduced by 12.5%, while the FPS of 67.13 fully met the needs of real-time detection.
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.
Comment cette classification a été obtenuedéplier
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 | 0,002 | 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».