使用集成模型结合自学习与主动学习方法的大规模家禽数据集高效自动标注 (ALPD)
计算机视觉与模式识别
2025-02-25 v2 人工智能
摘要
人工智能在家禽养殖领域的快速发展凸显了高效标注大规模多样化数据集这一挑战。手动标注耗时且成本高昂，难以应用于持续生成数据的现代系统。本文通过探索半监督自动标注方法，整合自学习与主动学习技术，开发了一种高效、标注资源稀缺的大规模家禽数据集自动标注框架（ALPD）。本研究收集了肉鸡和产蛋鸡的视频数据。利用零样模型和监督模型对肉鸡和鸡雏进行检测。结果表明，YOLOv8s-World 和 YOLOv9s 在监督学习条件下对肉鸡和鸡雏检测的性能指标优于其他模型；在半监督模型中，YOLOv8s-ALPD 实现了最高的精度（96.1%）和召回率（99%），均方根误差为 1.87。集成了最优 YOLOv8s 主干网络的混合 YOLO-World 模型显示出最佳整体性能。其检测精度达 99.2%，召回率达 99.4%，F1 分数达 98.7%。此外，采用最小人工干预（主动学习）的半监督模型可将标注时间缩短超过 80%。进一步将零样模型与最佳模型集成，显著提升了肉鸡和鸡雏检测速度，同时保持与监督模型相当的检测效果。综上所述，半监督自动标注与零样模型的融合显著提升了检测精度，降低了人工标注工作，为优化养殖业中的 AI 系统、推动精准养殖管理及可持续发展提供了有前景的解决方案。
引用
@article{arxiv.2501.10809,
title = {Efficient auto-labeling of large-scale poultry datasets (ALPD) using an ensemble model with self- and active-learning approaches},
author = {Ramesh Bahadur Bist and Lilong Chai and Shawna Weimer and Hannah Atungulua and Chantel Pennicott and Xiao Yang and Sachin Subedi and Chaitanya Pallerla and Yang Tian and Dongyi Wang},
journal= {arXiv preprint arXiv:2501.10809},
year = {2025}
}