Optimized YOLOv7 Framework for Skin Cancer Detection using Cuckoo Search and Pelican-Based H yperparameter Tuning
Notice bibliographique
Résumé
Skin cancer is among the most common and life-threatening conditions worldwide, and early and correct diagnosis is a major problem in the analysis of medical images. In the present work, automated detection of skin cancer lesions is proposed with the help of the Deep Learning-based method and the YOLOv7 model, which is additionally optimized with the help of hyperparameters to improve performance. Two metaheuristic methods, the Cuckoo Search Optimization (CSO) and the Pelican Optimization Algorithm (POA) are used separately to optimize the YOLOv7 hyperparameters. The algorithms are run 50 times, and the lowest fitness of the run is chosen as the optimized hyperparameter configuration. YOLOv7 is then trained using these optimized hyperparameters, and the performance of the model is measured using accuracy, sensitivity, specificity, precision, and F1 score. The YOLOv7 base model got an accuracy of 89.65, a sensitivity of 85, and a specificity of 91.90. CSO was optimized and then had a performance of 94.1 accuracy, 93.0 sensitivity, 94.8 specificity, 92.5 precision, and F1-score of 92.7. POA had a slightly different improvement, as the accuracy was 93.8, the sensitivity was 92.5, the specificity was 94.5, the precision was 93.2 and the F1 score was 92.8. These findings indicate that CSO and POA applied independently prominently increase the ability of YOLOv7 to detect and classify skin lesions, thus showing the usefulness of metaheuristic hyperparameter optimization of real-time diagnostic systems in dermatology.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».