Efficient Object Detection with an Optimized YOLOv8x Model
Notice bibliographique
Résumé
This study developed an efficient object detection model for indoor environments, addressing common challenges such as occlusions, varying lighting, and cluttered scenes. We evaluated several YOLOv8 variants—ranging from nano to extra-large—and introduced an optimized YOLOv8x model. Our approach combines structured pruning, quantization-aware training, and advanced data preprocessing techniques, including augmentation and noise reduction, to improve model performance while reducing computational demands. The models were developed and evaluated using a carefully selected indoor object detection dataset featuring ten common categories. Performance was measured through key metrics like precision, recall, and mean average precision (mAP). Among them, the fine-tuned YOLOv8x clearly outshined the baseline models, reaching a training precision of 0.577, a recall of 0.572, and an mAP@0.50 of 0.537. When tested on new data, it demonstrated even better generalization, delivering a precision of 0.502, a recall of 0.528, and an mAP@0.50 of 0.480—proving robustness and reliability in real-world scenarios. These results demonstrate that pruning and quantization can significantly reduce model complexity without sacrificing accuracy, which helps to detect indoor objects. In essence, it is optimized for indoor object detection, offering promising applications in smart environments, surveillance, and robotics.
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 | 0,002 |
| 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 ».