Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset

要約

この研究では、カスタム データセットで野生生物種を分類するためのさまざまな深層学習モデル、特に DenseNet、ResNet、VGGNet、YOLOv8 のパフォーマンスを評価します。
このデータセットは、信頼できるオンライン リポジトリから入手した 23 種の絶滅危惧種の 575 枚の画像で構成されています。
この研究では転移学習を利用してデータセット上の事前トレーニング済みモデルを微調整し、トレーニング時間の短縮と分類精度の向上に重点を置いています。
結果は、YOLOv8 が他のモデルよりも優れており、トレーニング精度 97.39%、検証 F1 スコア 96.50% を達成していることを示しています。
これらの調査結果は、先進的なアーキテクチャと効率的な特徴抽出機能を備えた YOLOv8 が、野生生物の監視と保護の取り組みを自動化する上で大きな期待を持っていることを示唆しています。

要約(オリジナル)

This study evaluates the performance of various deep learning models, specifically DenseNet, ResNet, VGGNet, and YOLOv8, for wildlife species classification on a custom dataset. The dataset comprises 575 images of 23 endangered species sourced from reputable online repositories. The study utilizes transfer learning to fine-tune pre-trained models on the dataset, focusing on reducing training time and enhancing classification accuracy. The results demonstrate that YOLOv8 outperforms other models, achieving a training accuracy of 97.39% and a validation F1-score of 96.50%. These findings suggest that YOLOv8, with its advanced architecture and efficient feature extraction capabilities, holds great promise for automating wildlife monitoring and conservation efforts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google