YOLOv3, YOLOv4 ve YOLOv5 algoritmalarının Performans Karşılaştırması: Kümes Hayvan Tanıma İçin Bir Vaka Çalışması

Abstract

Bu çalışmanın amacı, görüntüleri sınıflandırmak için kullanılan popüler evrişim sinir ağı modellerinin arasındaki performans farklılıklarını bulmaktır. Bunun için, YOLO modelinin farklı versiyonları üzerinde bir vaka çalışması yürütüldü. Bu çalışma için yeni bir veri seti oluşturulmuştur. Oluşturulan veri setinde, 918 adet tavuk, horoz ve civciv görüntülerini içeren kümes hayvanı fotoğrafları bulunmaktadır. Veri kümesinin % 80'i eğitim % 20 test olarak ayrılmıştır. Eğitim ve test veri kümelerindeki kümes hayvanlarının görüntüleri manuel olarak etiketlendi. Eğitim veri kümelesindeki görüntüler YOLOv3-tiny, YOLOv3, YOLOv4-tiny, YOLOv4, YOLOv5s, ve YOLOv5x modelleri kullanılarak eğitim tamamlandı. Kümes hayvanı tespiti için YOLOv5' modeli ile elde edilen sonuçlar diğer popüler CNN mimarisi sahip olan YOLOv3 YOLOv4 modelleri ile karşılaştırılmıştır. Sonuç olarak YOLOv5x(XLarge Depth(derinlik)) modeli 0,5 IOU'da %99,5 ortalama hassasiyetle en yüksek doğruluk oranı bulunmuştur.The aim of this study is to classify poultries using popular convolutional neural network models. The different YOLO models are experimented to find best YOLO models in terms of performance. For this purpose, a case study was conducted on different versions of the YOLO model. A new dataset has been described in this study. In the dataset, there are 918 photos containing chickens, cockerel, and chicks. The dataset split into %80 training set and %20 test set. The images of poultries in the training and test datasets were manually annotated and those in the training dataset were used to train the YOLOv3-tiny, YOLOv3, YOLOv4-tiny, YOLOv4, YOLOv5s, and YOLOv5x Models. The results of using YOLOv5 for poultry detection are compared with other popular CNN architectures, YOLOv3, YOLOv4 models. The results show that YOLOv5x (XLarge depth) model records the highest accuracy, resulting in a mean average precision at 0.5 IOU of %99.5