YOLOv8架构的改进：POLO 模型在多类目标检测中的突破 !

文章预览

  基于无人机影像和目标检测技术的自动化野生动物调查已成为保护生物学中一种强大且日益流行的工具。 大多数检测器需要使用带有标注边界框的训练图像，这种做法既费时又费钱，而且并不总是明确。为了减少这种做法带来的标注负担，作者开发了POLO，这是一种可以在仅使用点标签进行训练的多类目标检测模型。 POLO基于对YOLOv8架构的简单而有效的修改，包括预测过程、训练损失和后处理方面的修改。作者在包含多达数千个单独鸟类的无人机记录图像上测试POLO，并与常规YOLOv8进行比较。 作者的实验表明，在相同的标注成本下，POLO在空中图像中计数动物的准确性得到了提高。 1 Introduction 频繁的动物普查是成功 conservation 管理的关键要求，尤其是在处理濒危物种时。在广阔的开阔景观中，可以通过从飞机或无人驾驶飞行器（UAVs）记录的空中影 ………………………………