Real-Time Vehicle Detection Using YOLOv8-Nano for Intelligent Transportation Systems
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
In recent years, deep learning models have seen extensive use in various domains, with the YOLO algorithm family emerging as a prominent player.YOLOv5, known for its real-time object detection capabilities and high accuracy, has been widely embraced in transportationrelated research.However, the introduction of YOLOv8 in early 2023 signifies a significant leap forward in object detection technology.Despite its potential, the literature on YOLOv8 remains relatively scarce, leaving room for exploration and adoption in research.This study pioneers real-time vehicle detection using the YOLOv8 algorithm.An in-depth analysis of YOLOv8n, the smallest scale model within the YOLOv8 series, was conducted to assess its suitability for real-time scenarios, particularly in Intelligent Transportation Systems (ITS).To reinforce its real-time capabilities, a parametric analysis covering image processing time, detection sensitivity, and input image characteristics was performed.To optimize model performance, a training dataset was created through flight tests using a custom autonomous drone, encompassing various vehicle variations.This ensures that the model excels in recognizing diverse motor vehicle configurations.The results reveal that even this compact sub-model achieves an impressive detection accuracy rate exceeding 80%.The study establishes that YOLOv8n, evaluated for the first time in ITS applications, effectively serves as an object detector for real-time smart traffic management.
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