针对 COw LOcalization（COLO）数据集的室内奶牛定位模型泛化性研究

精密畜牧业（PLF）越来越依赖于先进的对象定位技术来监测畜禽健康状况和优化资源管理。本研究探讨了 YOLOv8 和 YOLOv9 模型在室内谷栏环境中进行奶牛检测的泛化能力，重点考察训练数据特征的变化，如视角和光照条件，以及模型复杂度。依托新近公开发布的数据集 COw LOcalization（COLO）数据集，我们探讨了三个关键假设：（1）模型的泛化能力在光照条件和摄像机视角的变化方面受到相同影响；（2）更高的模型复杂度必然保证更好的泛化性能；（3）使用特定初始权重进行微调总是能为检测任务带来优势。我们的发现表明，在侧面视角拍摄的图像中检测奶牛存在诸多挑战，凸显了在构建检测模型时包括多样化摄像机视角的重要性。此外，我们的结果强调，更高的模型复杂度并不一定导致更好的性能。最佳模型配置高度依赖具体任务和数据集。最后，尽管使用特定初始权重进行微调可为检测任务带来优势，但较简单的模型并不受益于这种方法。对于检测任务而言，使用预训练权重训练简单模型更为高效，这可以节省大量人力成本。未来工作应关注自适应方法和高级数据增强，以提高泛化性和鲁棒性。本研究为 PLF 研究人员在部署现有研究中的计算机视觉模型提供了实用指南，突出了泛化问题，并贡献了包含 1254 张图片和 11818 个奶牛实例的 COLO 数据集供进一步研究。