【目标检测论文解读复现NO.38】基于改进YOLOv8模型的轻量化板栗果实识别方法

 前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。 

一、摘要

为实现自然环境下的板栗果实目标快速识别，该研究以湖北省种植板栗为研究对象，提出了一种基于改进 YOLOv8 模型的栗果识别方法 YOLOv8-PBi。首先，将部分卷积（partial convolution，PConv）引入 C2f 模块中，缩减卷 积过程中的浮点数和计算量；其次，引入加权双向特征金字塔网络（bidirectional feature pyramid network，BiFPN），增 强多尺度特征融合性能，最后，更改边界框损失函数为动态非单调聚焦机制 WIoU（wise intersection over union， WIoU），提高模型收敛速度，进一步提升模型检测性能。试验结果表明，改进 YOLOv8-PBi 模型准确率、召回率和平 均精度分别为 89.4%、74.9%、84.2%；相比原始基础网络 YOLOv8s，模型权重减小 46.22%，准确率、召回率和平均精 度分别提升 1.3、1.5、1.8 个百分点。部署模型至边缘嵌入式设备上，经过 TensorRT 加速后，检测帧率达到 43 帧/s。该 方法可为板栗智能化收获过程中的栗果识别提供技术基础。

二、网络模型及核心创新点

这篇文章图表公式实验比较多，增加了损失函数对比等实验，以及图的注释等比较好比较全，值得大家学习的一篇中文核心论文。

 注：论文原文出自 李茂，肖洋轶，宗望远，等. 基于改进 YOLOv8 模型的轻量化板栗果实识别方法[J]. 农业工程学报，2024，40(1)：201- 209. doi: 10.11975/j.issn.1002-6819.202309185

解读的系列文章，本人已进行创新点代码复现。