Optymalizacja trenowania algorytmu YOLOv8 przy użyciu zbioru danych termowizyjnych krów
W dzisiejszych czasach technologie wizyjne, zwłaszcza te oparte na sztucznej inteligencji, stają się coraz bardziej nieodłącznym elementem rolnictwa. Jednym z kluczowych obszarów ich zastosowania jest monitorowanie zdrowia i dobrostanu zwierząt, co jest kluczowe dla efektywnego zarządzania gospodarstwami i poprawy wydajności produkcji. W tym kontekście algorytmy detekcji obiektów, takie jak YOLOv8, stają się narzędziem nieocenionym dla hodowców, umożliwiając automatyczne rozpoznawanie i lokalizację różnych elementów na obrazach, w tym na przykład wymion krów na obrazach termowizyjnych.
Centralną kwestią w trenowaniu skutecznych modeli opartych na głębokim uczeniu maszynowym jest jakość zbioru danych, na którym są one wytrenowane. Dlatego też, skupiając się na detekcji wymion krów na obrazach termowizyjnych, zastosowaliśmy metody manualnego oznaczania obszarów wymienia na zdjęciach, korzystając z oprogramowania CVAT (Computer Vision Annotation Tool). Proces ten pozwolił nam uzyskać szczegółowe oznaczenia, zawierające współrzędne rogów oznaczonego wieloboku dla każdego obrazu.
Nasz zbiór danych został podzielony na trzy segmenty: treningowy, walidacyjny i testowy. Proporcje podziału, tj. 70% na trening, 20% na walidację i 10% na test, zostały wybrane w celu optymalizacji generalizacji zdolności modelu do nowych, nieznanych danych. Segment treningowy posłużył do uczenia modelu, segment walidacyjny do dostosowywania hiperparametrów i oceny przetrenowania, a segment testowy do ostatecznej oceny wydajności modelu.
Takie podejście pozwala na systematyczną ewaluację algorytmu i zapobiega jego nadmiernemu dopasowaniu do danych treningowych, co jest kluczowe dla utrzymania wysokiej dokładności i użyteczności algorytmu w praktycznych zastosowaniach. Dodatkowo, umożliwia to ciągłe doskonalenie modelu poprzez ocenę jego wydajności na różnych etapach procesu trenowania.
W przypadku naszego algorytmu YOLOv8, wykorzystanie zbioru danych termowizyjnych krów, wraz z opisanym powyżej podejściem, pozwoliło nam osiągnąć wysoką skuteczność w detekcji wymion na obrazach. Model ten może być wykorzystany w praktyce przez hodowców do automatycznego monitorowania zdrowia i dobrostanu zwierząt, co przyczynia się do poprawy efektywności produkcji i jakości życia zwierząt.
Wnioski płynące z naszej pracy podkreślają znaczenie odpowiedniego przygotowania zbioru danych oraz systematycznej ewaluacji modelu w procesie trenowania algorytmów opartych na głębokim uczeniu. Dzięki temu możliwe jest stworzenie skutecznych narzędzi wspomagających działania w różnych dziedzinach, w tym w rolnictwie, gdzie technologie wizyjne odgrywają coraz większą rolę.
