BloomNet：探索单对象 vs. 多对象标注在花卉识别中的YOLO变体应用
摘要
花卉的精确局化与识别对于推进自动化农业尤其是植物表型、作物估计和产量监测至关重要。本文基准测试了YOLO架构如YOLOv5s、YOLOv8n/s/m和YOLOv12n，用于在两种标注情境下进行花卉目标检测：单图单边界框(SISBB)和单图多边界框(SIMBB)。引入FloralSix数据集，包含2816张高分辨率的六种不同花卉物品的照片，标注为密集(聚集)和稀疏(孤立)两种情境。模型使用精确率、召回率和平均精确率(mAP)在IoU阈值0.5([email protected])和0.5-0.95([email protected]:0.95)下进行评估。在SISBB中，YOLOv8m(SGD)实现了最佳结果，精确率0.956，召回率0.951，[email protected] 0.978，[email protected]:0.95 0.865，显示出在检测孤立花卉方面具有强大的准确性。YOLOv12n(SGD)在[email protected] 0.934和[email protected]:0.95 0.752时超过了较复杂的SIMBB情境，证明了在密集、多目标检测中的鲁棒性。结果表明，标注密度、IoU阈值和模型大小如何相互作用：召回率优化的模型在拥挤环境中表现更好，而精确率导向的模型在稀疏情境中表现最佳。在两种情况下，随机梯度下降(SGD)优化器 consistently 表现优于其他替代方案。这些密度感知传感器对于非破坏性作物分析、生长跟踪、机器人授粉和压力评估非常有帮助。
引用
@article{arxiv.2602.18585,
title = {BloomNet: Exploring Single vs. Multiple Object Annotation for Flower Recognition Using YOLO Variants},
author = {Safwat Nusrat and Prithwiraj Bhattacharjee},
journal= {arXiv preprint arXiv:2602.18585},
year = {2026}
}
备注
Accepted for publication in 7th International Conference on Trends in Computational and Cognitive Engineering (TCCE-2025)