Research on a natural scene Korla pear detection method based on ECA and BiFPN improved YoloV11
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
Aiming at the key technical challenges of complex background noise interference, fruit mutual occlusion, and multi-scale object recognition in natural scene Korla pear detection tasks, an improved YoloV11 object detection algorithm integrating the Efficient Channel Attention (ECA) mechanism and Bidirectional Feature Pyramid Network (BiFPN) is proposed (ECABiFPN-YOLOv11). By introducing the ECA module to adaptively optimize feature channel weights and combining the BiFPN architecture to achieve efficient cross-level feature fusion, the model’s perception and expression capabilities for multi-scale features of Korla pear objects are significantly enhanced. The experimental results show that the improved model reaches 86.8% on the mean average precision (mAP50) index, which is 4.7 percentage points higher than that of the original YoloV11 (82.1%). The mAP@0.5:0.95 value is 62.7%, which is 4.4% higher than that of the original model. The training box_loss (final) value is 3.7% lower than that of the original model, and the verification box_loss (final) value is 3.6% lower than that of the original model. These results provide reliable technical support for the research and development of automatic grading and sorting of fragrant pear fruits and intelligent picking systems in the field of smart agriculture.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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