TinyEcoWeedNet：面向边缘设备的实时航空农业 weed 检测
计算机视觉与模式识别
2025-09-24 v1 人工智能
摘要
在农业中部署深度学习模型困难，因为边缘设备资源有限。本文提出了使用结构化通道修剪、量化感知训练（QAT）以及 NVIDIA 在 Jetson Orin Nano 上的 TensorRT 加速的 EcoWeedNet 压缩版本。尽管面临剪枝复杂架构（包含残差shortcut、注意力机制、拼接和CSP模块）的挑战，模型规模缩减最高可达 68.5%，计算量减少 3.2 GFLOPs，FP16 下推理速度达 184 FPS，相较基线快 28.7%。在 CottonWeedDet12 数据集上，剪枝后的 EcoWeedNet（剪枝比例 39.5%）优于 YOLO11n 和 YOLO12n（仅剪枝 20%），实现 83.7% 的精确率、77.5% 的召回率和 85.9% 的 mAP50，证明其在精准农业中既高效又有效。
引用
@article{arxiv.2509.18193,
title = {TinyEcoWeedNet: Edge Efficient Real-Time Aerial Agricultural Weed Detection},
author = {Omar H. Khater and Abdul Jabbar Siddiqui and Aiman El-Maleh and M. Shamim Hossain},
journal= {arXiv preprint arXiv:2509.18193},
year = {2025}
}