DOI: https://doi.org/10.3390/electronics15051026
تاريخ النشر: 2026-02-28
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: علم البيئة والحفاظ على الحياة البرية
نظرة عامة
تتناول هذه الدراسة الخسائر الاقتصادية الكبيرة في الزراعة الأمريكية الناتجة عن دخول الغزلان، والتي تصل إلى مئات الملايين من الدولارات سنويًا. لقد أثبتت استراتيجيات التخفيف التقليدية عدم كفايتها، مما يبرز الحاجة إلى حلول ذكية ومستقلة للكشف عن الغزلان والردع عنها في الوقت الحقيقي. تملأ هذه الدراسة فجوة حاسمة في الأدبيات من خلال تقديم مجموعة بيانات متاحة للجمهور تتكون من 3,095 صورة موضحة للغزلان، ومن خلال تقييم أداء 12 نموذجًا مختلفًا من نماذج التعلم العميق من أربع معماريات حديثة لـ YOLO (من v8 إلى v11) على منصات الحوسبة الطرفية، وبالتحديد Raspberry Pi 5 المعتمد على وحدة المعالجة المركزية و NVIDIA Jetson AGX Xavier المعتمد على تسريع وحدة معالجة الرسوميات.
تشير النتائج إلى أنه بينما تحقق النماذج الأكبر من سلسلة m دقة عالية (متوسط الدقة (AP) > 0.94) على الأجهزة عالية الأداء، إلا أنها غير مناسبة للنشر في الوقت الحقيقي على الأجهزة المعتمدة فقط على وحدة المعالجة المركزية، حيث تنخفض الأداء إلى أقل من 1 إطار في الثانية (FPS). بالمقابل، تحافظ Jetson AGX Xavier على سرعات معالجة في الوقت الحقيقي تزيد عن 25 FPS مع نماذج مثل YOLOv11n و YOLOv8s و YOLOv9s، والتي تقدم توازنًا بين الدقة العالية (AP > 0.85) وكفاءة الحوسبة (وقت الاستدلال < 34 مللي ثانية). تستنتج الدراسة أن تسريع وحدة معالجة الرسوميات ضروري لتتبع الحياة البرية بشكل فعال عند الحافة وتحدد الأعمال المستقبلية التي تركز على تحسين الأداء للأجهزة المقيدة وتوسيع مجموعة البيانات لتشمل ظروف بيئية متنوعة وسلوكيات الغزلان.
مقدمة
تتناول مقدمة هذه الورقة البحثية التأثير الاقتصادي الكبير للغزلان ذات الذيل الأبيض (Odocoileus virginianus) على الزراعة الأمريكية، مع تسليط الضوء بشكل خاص على خسارة سنوية قدرها 4.6 مليون دولار في ولاية ميسيسيبي بسبب أضرار الغزلان للمحاصيل مثل الذرة وفول الصويا. على الصعيد الوطني، تقدر أضرار الحياة البرية عبر المحاصيل الرئيسية بمبلغ 592.6 مليون دولار، حيث تم تحديد الغزلان كأهم الجناة. يتم مناقشة طرق التحكم المختلفة، بما في ذلك السياج والصيد والمواد الطاردة، ولكن كل منها يواجه قيودًا مثل التكاليف العالية، والفعالية الموسمية، والمخاوف الأخلاقية المتعلقة بإدارة الحياة البرية. يدعو المؤلفون إلى نهج استباقي لإدارة الحياة البرية يستفيد من التقنيات المتقدمة، وخاصة تقنيات رؤية الكمبيوتر والتعلم العميق، لتعزيز الكشف عن الغزلان والردع عنها في الوقت الحقيقي.
تقترح الورقة استخدام نماذج You Only Look Once (YOLO) للتعرف الدقيق على وجود الغزلان، مما يمكن أن يؤدي إلى تفعيل مواد ردع ديناميكية. كما تسلط الضوء على تطوير مجموعة بيانات متاحة للجمهور تتكون من 3,095 صورة موضحة للغزلان، تهدف إلى تحسين أنظمة رؤية الآلات للكشف عن الحياة البرية. تقارن الدراسة بين معماريات YOLO المختلفة (من v8 إلى v11) على كل من الأجهزة عالية الأداء والأجهزة المقيدة بالموارد، مما يوفر رؤى قيمة حول أدائها للنشر العملي في الميدان. يؤكد المؤلفون على الحاجة إلى تقييمات شاملة ومجموعات بيانات متاحة للجمهور لدفع البحث في هذا المجال، مما يسهم في ممارسات الزراعة المستدامة وإدارة الحياة البرية.
الطرق
تحدد قسم “المواد والطرق” النهج الشامل المتبع لجمع البيانات، موضحة المصادر وأنواع البيانات المستخدمة في الدراسة. كما تصف تنفيذ نماذج YOLO (You Only Look Once)، موضحة الإصدارات المستخدمة وتكويناتها الخاصة. يتم توضيح إجراء التدريب، بما في ذلك المعلمات المحددة للتحسين ومدة التدريب.
بالإضافة إلى ذلك، يناقش القسم استراتيجية تقييم النموذج، والتي تشمل المقاييس المستخدمة لتقييم الأداء والدقة. أخيرًا، يقدم تجارب الاستدلال التي أجريت على الأجهزة الطرفية، مع تسليط الضوء على التطبيقات العملية للنماذج المدربة في السيناريوهات الواقعية. تضمن هذه المنهجية المنظمة إطارًا قويًا لتحليل فعالية نماذج YOLO في السياق المحدد.
النتائج
يقدم قسم “التجارب والنتائج” النتائج المستخلصة من سلسلة من التجارب المصممة لاختبار الفرضيات المقترحة. تشير النتائج إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تظهر البيانات اتجاهًا واضحًا يتماشى مع التوقعات النظرية، خاصة في سياق مقاييس النتائج الرئيسية. توضح التمثيلات البيانية للنتائج، بما في ذلك الرسوم البيانية المتناثرة وتحليلات الانحدار، قوة هذه العلاقات. بشكل عام، تدعم النتائج الفرضيات الأولية وتوفر أساسًا قويًا لمزيد من الاستكشاف في الدراسات اللاحقة.
المناقشة
في هذا القسم، يناقش المؤلفون مجموعات البيانات والمنهجيات المستخدمة لتقييم نماذج YOLO في مهام الكشف عن الغزلان. تم تجميع مجموعتين متميزتين من البيانات: “مجموعة بيانات Roboflow”، التي تتكون من 2,339 صورة موضحة جيدًا للغزلان تم التقاطها في ظروف مثالية، و”مجموعة بيانات كاميرات الفخ”، التي تشمل أكثر من 1.5 مليون صورة تم جمعها من كاميرات الفخ في بيئات واقعية متنوعة. تم توضيح مجموعة البيانات الأخيرة يدويًا لتشمل صناديق محيطة حول الغزلان، مما أدى إلى معيار أكثر واقعية لتقييم النموذج نظرًا لتمثيلها لظروف صعبة مثل الإضاءة المنخفضة، والاحتجاب، وضباب الحركة. تؤكد الدراسة على ضرورة استخدام مجموعات بيانات تمثل المجال، كما يتضح من الانخفاض الكبير في أداء النماذج المدربة على مجموعة بيانات Roboflow عند اختبارها على مجموعة بيانات كاميرات الفخ.
كما يقدم المؤلفون نظرة عامة مفصلة عن متغيرات نموذج YOLO التي تم تقييمها، بما في ذلك YOLOv8 و YOLOv9 و YOLOv10 و YOLOv11، مع التركيز على الابتكارات المعمارية التي تهدف إلى تحسين دقة الكشف وكفاءة الحوسبة. تشمل التقدمات الملحوظة الكشف بدون نقاط ربط في YOLOv8 وتحسين تعلم الميزات متعددة المقاييس، ومعلومات التدرج القابلة للبرمجة (PGI) في YOLOv9 لتحسين تدفق التدرج، ونهج التدريب بدون NMS في YOLOv10، ودعم YOLOv11 لمهام رؤية الكمبيوتر المتعددة. تم تدريب النماذج على أجهزة عالية الأداء، وتم تقييم أدائها في الاستدلال على كل من الأجهزة المعتمدة على وحدة المعالجة المركزية (Raspberry Pi 5) والأجهزة المعتمدة على تسريع وحدة معالجة الرسوميات (NVIDIA Jetson AGX Xavier). أشارت النتائج إلى أنه بينما دعمت منصة Jetson قدرات الكشف في الوقت الحقيقي، كانت Raspberry Pi تعاني من تأخير، مما يبرز أهمية اختيار الأجهزة لنشر نماذج التعلم العميق في التطبيقات العملية.
DOI: https://doi.org/10.3390/electronics15051026
Publication Date: 2026-02-28
Author(s): Zhenyun Du et al.
Primary Topic: Wildlife Ecology and Conservation
Overview
The research addresses the significant economic losses in U.S. agriculture caused by deer intrusion, which amount to hundreds of millions of dollars annually. Traditional mitigation strategies have proven inadequate, highlighting the necessity for intelligent, autonomous solutions for real-time deer detection and deterrence. This study fills a critical gap in the literature by introducing a publicly available dataset comprising 3,095 annotated images of deer, and by evaluating the performance of 12 deep learning model variants from four recent YOLO architectures (v8 to v11) on edge computing platforms, specifically the CPU-based Raspberry Pi 5 and the GPU-accelerated NVIDIA Jetson AGX Xavier.
The findings indicate that while larger m-series models achieve high accuracy (Average Precision (AP) > 0.94) on high-end hardware, they are unsuitable for real-time deployment on CPU-only devices, where performance drops below 1 frame per second (FPS). In contrast, the Jetson AGX Xavier maintains real-time processing speeds above 25 FPS with models such as YOLOv11n, YOLOv8s, and YOLOv9s, which offer a balance of high accuracy (AP > 0.85) and computational efficiency (Inference Time < 34 milliseconds). The study concludes that GPU acceleration is essential for effective wildlife tracking at the edge and outlines future work focused on optimizing performance for constrained devices and expanding the dataset to include diverse environmental conditions and deer behaviors.
Introduction
The introduction of this research paper addresses the significant economic impact of white-tailed deer (Odocoileus virginianus) on U.S. agriculture, particularly highlighting the $4.6 million annual loss in Mississippi due to deer damage to crops like corn and soybeans. Nationally, wildlife damage across key crops is estimated at $592.6 million, with deer identified as the primary culprits. Various control methods, including fencing, hunting, and repellents, are discussed, but each faces limitations such as high costs, seasonal effectiveness, and ethical concerns regarding wildlife management. The authors advocate for a proactive approach to wildlife management that leverages advanced technologies, particularly computer vision and deep learning techniques, to enhance real-time deer detection and deterrence.
The paper proposes the use of You Only Look Once (YOLO) models for accurate identification of deer presence, which can trigger dynamic deterrents. It highlights the development of a publicly available dataset of 3,095 annotated deer images, aimed at improving machine vision systems for wildlife detection. The study benchmarks various YOLO architectures (v8-v11) on both high-end and resource-constrained devices, providing valuable insights into their performance for practical field deployment. The authors emphasize the need for comprehensive evaluations and publicly accessible datasets to advance research in this area, ultimately contributing to sustainable agricultural practices and wildlife management.
Methods
The “Materials and Methods” section outlines the comprehensive approach taken for data acquisition, detailing the sources and types of data utilized in the study. It further describes the implementation of YOLO (You Only Look Once) models, specifying the versions employed and their respective configurations. The training procedure is elaborated, including the parameters set for optimization and the training duration.
Additionally, the section discusses the model evaluation strategy, which encompasses metrics used to assess performance and accuracy. Finally, it presents the inference experiments carried out on edge devices, highlighting the practical applications of the trained models in real-world scenarios. This structured methodology ensures a robust framework for analyzing the effectiveness of the YOLO models in the specified context.
Results
The section on “Experiments and Results” presents the findings from a series of experiments designed to test the proposed hypotheses. The results indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the data demonstrate a clear trend consistent with the theoretical predictions, particularly in the context of the primary outcome measures. Graphical representations of the results, including scatter plots and regression analyses, further illustrate the strength of these relationships. Overall, the findings support the initial hypotheses and provide a robust foundation for further exploration in subsequent studies.
Discussion
In this section, the authors discuss the datasets and methodologies used for evaluating YOLO models in deer detection tasks. Two distinct datasets were curated: the “Roboflow dataset,” comprising 2,339 well-annotated images of deer captured under optimal conditions, and the “Cameratrap dataset,” which includes over 1.5 million images collected from camera traps in varied real-world environments. The latter dataset was manually annotated to include bounding boxes around deer, resulting in a more realistic benchmark for model evaluation due to its representation of challenging conditions such as low light, occlusion, and motion blur. The study emphasizes the necessity of using domain-representative datasets, as evidenced by the significant performance drop of models trained on the Roboflow dataset when tested on the Cameratrap dataset.
The authors also provide a detailed overview of the YOLO model variants evaluated, including YOLOv8, YOLOv9, YOLOv10, and YOLOv11, focusing on their architectural innovations aimed at improving detection accuracy and computational efficiency. Notable advancements include YOLOv8’s anchor-free detection and improved multi-scale feature learning, YOLOv9’s Programmable Gradient Information (PGI) for enhanced gradient flow, YOLOv10’s NMS-free training approach, and YOLOv11’s support for multiple computer vision tasks. The models were trained on high-performance hardware, and their inference performance was evaluated on both CPU-based (Raspberry Pi 5) and GPU-accelerated (NVIDIA Jetson AGX Xavier) edge devices. Results indicated that while the Jetson platform supported real-time detection capabilities, the Raspberry Pi struggled with latency, underscoring the importance of hardware selection for deploying deep learning models in practical applications.