Leveraging Zero-Shot Detection Mechanisms to Accelerate Image Annotation for Machine Learning in Wild Blueberry (Vaccinium angustifolium Ait.)
Notice bibliographique
Résumé
This study conducted an analysis of zero-shot detection capabilities using two frameworks, YOLO-World and Grounding DINO, on a selection of images in the wild blueberry (Vaccinium angustifolium Ait.) cropping system. The datasets included ripe wild blueberries, hair fescue (Festuca filiformis Pourr.), blueberry buds, and red leaf disease (Exobasidium vaccinii). Key performance metrics such as Intersection over Union (IoU), precision, recall, and F1 score were utilized for model comparison. Grounding DINO consistently achieved superior performance across all metrics and datasets, achieving significantly higher mean IoUs on berries, red leaf, hair fescue, and buds (0.642, 0.921, 0.735, and 0.629, respectively) compared to YOLO-World (0.516, 0.567, 0.232, and 0.408, respectively). Evidenced by their high recall rates relative to precision, the models displayed a preference for identifying true positives at the cost of increasing false positives. Grounding DINO’s higher precision (overall mean of 0.672), despite the tendency to over-detect, indicated a better balance in minimizing false positives than YOLO-World (overall mean of 0.501). These findings contrast with the foundational study of YOLO-World where it demonstrated superior performance on standard datasets, highlighting the importance of dataset characteristics and optimization processes in model performance. The practical implications of this study include providing a solution for accelerated object detection image annotation in the wild blueberry cropping system. This work, representing a significant advancement in facilitating accurate and efficient annotation of wild blueberry datasets, guides future research in the application of zero-shot detection models to agricultural datasets.
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 | 0,000 | 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 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 ».