[논문]YOLOv8-Seg 모델을 이용한 어류 탐지 및 분류 성능 비교연구

진상엽; 최흥배; 한명수; 이효태; 손영태

doi:10.7837/kosomes.2024.30.2.147

[국내논문] YOLOv8-Seg 모델을 이용한 어류 탐지 및 분류 성능 비교연구
Comparative Study of Fish Detection and Classification Performance Using the YOLOv8-Seg Model

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.30 no.2, 2024년, pp.147 - 156

진상엽 ((주)지오시스템리서치) , 최흥배 ((주)지오시스템리서치) , 한명수 ((주)지오시스템리서치) , 이효태 (한국수산자원공단 자원회복실) , 손영태 ((주)지오시스템리서치)

초록
AI-Helper

수산자원의 지속 가능한 관리와 증대는 전 세계적으로 중요한 이슈로 부상하고 있으며, 본 연구는 이에 대응하는 한국수산자원공단의 수산자원 현존량 추정을 위한 딥러닝 기반 수산자원 증대사업 효과조사 기법 개발을 위해 구성 기술 중 하나인 어류 탐지 및 분류 모델 구축과 성능 비교를 수행하였다. 다양한 크기의 YOLOv8-Seg 모델에 어류 이미지 데이터셋을 학습한 후 각 성능평가 지표를 비교 분석하여 적용 가능한 최적의 모델을 선정하고자 하였다. 모델 구축에 사용된 자료는 총 12종의 어류로 이루어진 36,749장의 이미지와 라벨 파일로 이루어지며, 학습에는 증강을 적용하여 데이터의 다양성을 증가시켰다. 동일한 환경 및 조건에서 총 다섯 개의 YOLOv8-Seg 모델을 학습 및 검증한 결과 중간 크기의 YOLOv8m-Seg 모델이 가장 짧은 13시간 12분의 학습 시간과 mAP_50:95 0.933, 추론 속도 9.6 ms로 높은 학습 효율성과 우수한 탐지 및 분류 성능을 보였으며, 각 지표 간의 균형을 고려할 때 실시간 처리 요구사항을 충족하는 가장 효율적인 모델로 평가되었다. 이와 같은 실시간 어류 탐지 및 분류 모델을 활용하여 효율적인 수산자원 증대사업의 효과조사가 가능할 것으로 보이며, 지속적인 성능 개선 및 추가적인 연구가 필요할 것으로 사료된다.

Abstract ▼ AI-Helper

The sustainable management and enhancement of marine resources are becoming increasingly important issues worldwide. This study was conducted in response to these challenges, focusing on the development and performance comparison of fish detection and classification models as part of a deep learning-based technique for assessing the effectiveness of marine resource enhancement projects initiated by the Korea Fisheries Resources Agency. The aim was to select the optimal model by training various sizes of YOLOv8-Seg models on a fish image dataset and comparing each performance metric. The dataset used for model construction consisted of 36,749 images and label files of 12 different species of fish, with data diversity enhanced through the application of augmentation techniques during training. When training and validating five different YOLOv8-Seg models under identical conditions, the medium-sized YOLOv8m-Seg model showed high learning efficiency and excellent detection and classification performance, with the shortest training time of 13 h and 12 min, an of 0.933, and an inference speed of 9.6 ms. Considering the balance between each performance metric, this was deemed the most efficient model for meeting real-time processing requirements. The use of such real-time fish detection and classification models could enable effective surveys of marine resource enhancement projects, suggesting the need for ongoing performance improvements and further research.

Keyword

참고문헌 (17)

Akgul, T., N. Calik, and B. U. Toreyin(2020), Bulanik Sualti？Goruntulerinde Derin Ogrenme Tabanli Balik Tespiti Deep？Learning-Based Fish Detection in Turbid Underwater Images.
Bai, R., M. Wang, Z. Zhang, J. Lu, and F. Shen(2023),？Automated Construction Site Monitoring Based on Improved？YOLOv8-seg Instance Segmentation Algorithm. IEEE Access,？11, 139082-139096. https://doi.org/10.1109/ACCESS.2023.3340895.

상세보기
Bolya, D., C. Zhou, F. Xiao, and Y. J. Lee(2019), YOLACT:？Real-Time Instance Segmentation. 2019 IEEE/CVF International？Conference on Computer Vision (ICCV), 9156-9165. https://doi.org/10.1109/ICCV.2019.00925.
Chen, L. -C., G. Papandreou, I. Kokkinos, K. Murphy, and A.？L. Yuille(2017), DeepLab: Semantic Image Segmentation with？Deep Convolutional Nets, Atrous Convolution, and Fully？Connected CRFs (arXiv:1606.00915). arXiv. http://arxiv.org/abs/1606.00915.
Climent-Perez, P., A. Galan-Cuenca, N. E. Garcia-d'Urso, M.？Saval-Calvo, J. Azorin-Lopez, and A. Fuster-Guillo(2024),？Simultaneous, vision-based fish instance segmentation, species？classification and size regression. PeerJ Computer Science, 10,？e1770. https://doi.org/10.7717/peerj-cs.1770.

상세보기
Dumitriu, A., F. Tatui, F. Miron, R. T. Ionescu, and R.？Timofte(2023), Rip Current Segmentation: A Novel Benchmark？and YOLOv8 Baseline Results. 2023 IEEE/CVF Conference？on Computer Vision and Pattern Recognition Workshops？(CVPRW), 1261-1271. https://doi.org/10.1109/CVPRW59228.2023.00133.
Fabic, J. N., I. E. Turla, J. A. Capacillo, L. T. David, and P.？C. Naval(2013), Fish population estimation and species？classification from underwater video sequences using blob？counting and shape analysis. 2013 IEEE International？Underwater Technology Symposium (UT), pp. 1-6. https://doi.org/10.1109/UT.2013.6519876.
He, K., G. Gkioxari, P. Dollar, and R. Girshick(2017), Mask？r-cnn. In Proceedings of the IEEE international conference on？computer vision, pp. 2961-2969.
Li, X., M. Shang, H. Qin, and L. Chen(2015), Fast accurate？fish detection and recognition of underwater images with Fast？R-CNN. OCEANS 2015 - MTS/IEEE Washington, 1-5. https://doi.org/10.23919/OCEANS.2015.7404464.
Long, J., E. Shelhamer, and T. Darrell(2015), Fully？Convolutional Networks for Semantic Segmentation.
Padilla, R., S. L. Netto, and E. A. B. Da Silva(2020), A？Survey on Performance Metrics for Object-Detection？Algorithms. 2020 International Conference on Systems,？Signals and Image Processing (IWSSIP), pp. 237-242. https://doi.org/10.1109/IWSSIP48289.2020.9145130.
Ravanbakhsh, M., M. R. Shortis, F. Shafait, A. Mian, E. S.？Harvey, and J. W. Seager(2015), Automated Fish Detection in？Underwater Images Using Shape Based Level Sets. The？Photogrammetric Record, 30(149), 46-62. https://doi.org/10.1111/phor.12091.

상세보기
Tian, G., D. Li, W. Li, L. Zhang, H. Zhang, and Q. Duan？(2021), A detection method of the turned white belly fish？based on improved SSD. Journal of Physics: Conference Series,？1856(1), 012035. https://doi.org/10.1088/1742-6596/1856/1/012035.

상세보기
Varatharasan, V., H. -S. Shin, A. Tsourdos, and N. Colosimo？(2019), Improving Learning Effectiveness For Object Detection？and Classification in Cluttered Backgrounds. 2019 Workshop？on Research, Education and Development of Unmanned Aerial？Systems (RED UAS), 78-85. https://doi.org/10.1109/REDUAS47371.2019.8999695.
Wang, C. -Y., A. Bochkovskiy, and H. -Y. M. Liao(2022),？YOLOv7: Trainable bag-of-freebies sets new state-of-the-art？for real-time object detectors (arXiv:2207.02696). arXiv.？http://arxiv.org/abs/2207.02696.
Wang, X., R. Zhang, T. Kong, L. Li, and C. Shen(2020),？SOLOv2: Dynamic and Fast Instance Segmentation.
Xu, W. and S. Matzner(2018), Underwater Fish Detection？Using Deep Learning for Water Power Applications. 2018？International Conference on Computational Science and？Computational Intelligence (CSCI), pp. 313-318. https://doi.org/10.1109/CSCI46756.2018.00067.

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] YOLOv8-Seg 모델을 이용한 어류 탐지 및 분류 성능 비교연구
Comparative Study of Fish Detection and Classification Performance Using the YOLOv8-Seg Model

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

참고문헌 (17)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] YOLOv8-Seg 모델을 이용한 어류 탐지 및 분류 성능 비교연구 Comparative Study of Fish Detection and Classification Performance Using the YOLOv8-Seg Model

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

참고문헌 (17)

이 논문을 인용한 문헌

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] YOLOv8-Seg 모델을 이용한 어류 탐지 및 분류 성능 비교연구
Comparative Study of Fish Detection and Classification Performance Using the YOLOv8-Seg Model

초록
AI-Helper

활용도 Top5 논문