YOLO-SAT：一种用于沙漠垃圾检测与分类的数据驱动与模型驱动增强YOLOv12模型
计算机视觉与模式识别
2025-11-20 v2 机器学习
摘要
全球垃圾危机正在升级，随着年前固体垃圾产量预计在未来几年内大幅增加。传统的垃圾收集方法，特别是在偏远或恶劣环境（如沙漠）中，往往工作量大、效率低且常常危险。近期计算机视觉和深度学习技术的进展为自动化垃圾检测系统开辟了道路，但大多数研究聚焦于城市环境和可回收材料，忽略了有机垃圾和危险废物以及此前不够探索的沙漠等恶劣地形。本文提出YOLO-SAT，一种基于剪枝轻量化YOLOv12模型，集成自对抗训练（SAT）和专门的数据增强策略，构建增强型实时目标检测框架。使用DroneTrashNet数据集，我们在提高精度、召回率和平均精度（mAP）的同时，实现低延迟和紧凑模型规模，适用于资源受限的空中无人机部署。与当前先进的轻量级YOLO变体基准测试进一步表明，YOLO-SAT在准确率与效率之间实现了最佳平衡。我们的结果验证了数据导向与模型导向增强相结合，对在沙漠环境中实现稳健、实时垃圾检测的有效性。
引用
@article{arxiv.2511.03888,
title = {YOLO-SAT: A Data-based and Model-based Enhanced YOLOv12 Model for Desert Waste Detection and Classification},
author = {Abdulmumin Sa'ad and Sulaimon Oyeniyi Adebayo},
journal= {arXiv preprint arXiv:2511.03888},
year = {2025}
}
备注
8 pages