SAM3 辅助训练轻量级 YOLO 模型用于精准猪场养殖
计算机视觉与模式识别
2026-05-26 v1
摘要
深度学习基于对象检测的技术在精准畜牧业（PLF）中取得了革命性进展，但仍面临一个关键障碍：高性能基础模型（如 SAM 3）计算资源密集，难以部署到边缘设备；而轻量级模型（如 YOLO）则需要巨大的人工标注工作。本文提出一种完全自动化的知识蒸馏管道，利用 Segment Anything Model 3（SAM 3）为训练高效 YOLOv8 检测器生成零样本伪标签。将 SAM 3 作为离线自动标注器，我们消除了人工标注的瓶颈，产生能够在资源受限硬件上实现实时推理的模型。我们在 PigLife 数据集上系统评估了这一方法，将 SAM 3 监督的模型与人工标注基线进行比较。结果表明，SAM 3 训练的 YOLOv8m 在无需人工干预的情况下实现了 79.4% 的平均精度（mAP），同时将推理延迟缩短约 200 倍。此外，分层分析显示，在低遮挡场景下，自动化管道的检测率可与人工基准相当（）。这些发现表明，基础模型可作为有效的、零标注成本的监督者，为智能农业的边缘计算解决方案提供可扩展的可能性。
引用
@article{arxiv.2605.25860,
title = {SAM3-Assisted Training of Lightweight YOLO Models for Precision Pig Farming},
author = {Marcos Vinicius Mendes Faria and Thiago Borges Pereira and Isabella C. F. S. Condotta and Thiago Meireles Paixão and Francisco de Assis Boldt},
journal= {arXiv preprint arXiv:2605.25860},
year = {2026}
}
备注
Accepted for publication at the IEEE Sensors Applications Symposium (SAS 2026)