Tsetse Fly Detection and Sex Classification Model Enrichment Employing <scp>YOLOv8</scp> and <scp>YOLO11</scp> Architecture
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
ABSTRACT The sterile insect technique (SIT) represents a highly effective and promising method for combating tsetse fly‐related infections, which involves the release of sterilized male tsetse flies in the assigned zones. However, tsetse fly rearing poses specific challenges, particularly in the tsetse sex separation, as this process is labor‐intensive and incurs significant costs. Here, we report a simple model that classifies tsetse flies by sex using an object detection model based on the YOLO algorithm. This paper also conducted a comparative analysis of YOLOv8 and YOLO11 deep learning models, focusing on their efficacy in tsetse fly detection and classification using a range of performance metrics and statistical analysis. The findings reveal that the classification accuracy of YOLO11 stands at 97.6%, whereas YOLOv8 achieves 95.6%. The classification precision of YOLO11 in identifying tsetse flies is 88.6%, while that of YOLOv8 is 85.9%. Additionally, YOLO11 demonstrates an inference speed of 13.0 ms, slightly faster than YOLOv8's 13.4 ms in tsetse sex detection. Moreover, YOLO11 outperformed YOLOv8 in both F1 score and mAP@0.5–0.9, a success attributed to its enhanced architectural design. However, statistical tests indicate there is no significant difference between the two models, achieving p values ≥ 0.05 for all metrics. This study adds value to tsetse rearing and fly‐based disease control by offering automated tsetse sex detection insights into its practical uses in real‐world contexts. Furthermore, this research enriches the understanding of the two models with tsetse flies as the focal point and recommends a more effective and accurate detection approach. Finally, integrating the model with the mobile object detection Android app will reduce tsetse sex sorting dependency on experienced technical experts and enhance tsetse rearing productivity.
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