A method for custom measurement of fish dimensions using the improved YOLOv5-keypoint framework with multi-attention mechanisms
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
Dimensional data directly reflects the growth rate of individual fish, an important economic trait of interest to fish researchers. Efficiently obtaining large-scale fish dimension data would be valuable for both selective breeding and production. To address this, our study proposes a custom dimension measurement method for fish using the YOLOv5-keypoint framework with multi-attention mechanisms. We optimized the YOLOv5 framework, incorporated the SimAM attention mechanism to achieve more accurate and faster fish detection, and added customizable landmarks to the network structure, enabling flexible configuration of the number and location of feature points in the training dataset. This method is applicable to various aquacultural species and other objects. We tested the effectiveness of the method using the economically important grass carp ( Ctenopharyngodon idella ). The proposed method outperforms pure YOLOv5, Faster R-CNN, and SSD in terms of precision and recall rates, achieving an impressive average precision of 0.9781. Notably, field trials confirmed the method's exceptional measurement accuracy, exceeding 97% compatibility with manual measurements, while demonstrating a real-time speed of 38 frames per second on the NVIDIA RTX A4000. This enables efficient and accurate large-scale surface dimension measurements of economic fish. To facilitate massive measurements in agricultural research, we have implemented this method as an online platform, called Mode-recognition Ruler (MrRuler, http://bioinfo.ihb.ac.cn/mrruler ). The platform identifies objects in a single image at an average speed of 0.486 ± 0.005 s, based on a dataset of 10,000 images. MrRuler includes two preset carp models and allows users to upload training datasets for custom models of their targets of interest.
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 | 0,001 | 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