野生动物分类的迁移学习：在自定义数据集上评估 YOLOv8 against DenseNet、ResNet 和 VGGNet
计算机视觉与模式识别
2024-11-13 v2 人工智能
摘要
本研究评估了 DenseNet、ResNet、VGGNet 和 YOLOv8 等各种深度学习模型，针对野生动物种类分类在自定义数据集上的性能。该数据集由 575 张 23 种濒危物种的图像组成，来源于可靠的在线资源库。研究采用迁移学习方法，对预训练模型在数据集上进行微调，重点在于减少训练时间并提升分类准确率。结果表明，YOLOv8 在其他模型中表现优异，达到训练准确率为 97.39%，验证 F1 分数为 96.50%。这些发现表明，YOLOv8 凭借其先进的架构和高效的特征提取能力，在自动化野生动物监测和保育工作中具有巨大的潜力。
引用
@article{arxiv.2408.00002,
title = {Transfer Learning for Wildlife Classification: Evaluating YOLOv8 against DenseNet, ResNet, and VGGNet on a Custom Dataset},
author = {Subek Sharma and Sisir Dhakal and Mansi Bhavsar},
journal= {arXiv preprint arXiv:2408.00002},
year = {2024}
}
备注
This is published in Journal of Artificial Intelligence and Capsule Networks, December 2024, Volume 6, Issue 4, Pages 415-435