基于轻量级 YOLOv10-nano 架构的印度尼西亚海洋生态系统中实时鱼类检测

印度尼西亚的海洋生态系统，作为全球公认的珊瑚三角洲的一部分，是生物多样性最丰富的地区之一，需要高效的监测工具来支持保育。传统鱼类检测方法耗时且需要专家知识，促使需要自动化解决方案。本研究探索了在印度尼西亚水域中实现 YOLOv10-nano 模型进行实时海洋鱼类检测的实现，采用来自巴纳肯国家海洋公园的测试数据。YOLOv10 的架构包括 CSPNet 主干网络、PAN 特征融合以及 Pyramid Spatial Attention Block 等改进，能够在复杂环境中实现高效且准确的对象检测。该模型在 DeepFish 和 OpenImages V7-Fish 数据集上进行评估。结果表明，YOLOv10-nano 在检测准确率方面取得高水平，mAP50 为 0.966，mAP50:95 为 0.606，同时保持低计算需求（2.7M 参数，8.4 GFLOPs），在 CPU 上实现平均 29.29 FPS 的推理速度，适用于实时部署。尽管 OpenImages V7-Fish 单独提供的准确率较低，但它在增强 DeepFish 数据集的鲁棒性方面发挥了补充作用。总体而言，本研究表明 YOLOv10-nano 在数据受限环境下具有高效、可扩展的海洋鱼类监测和保育应用潜力。