LemonDet: 果樹園における小規模レモンの検出のためのデータセット固有の色事前情報を持つ軽量YOLO11アーキテクチャ
LemonDet: A Lightweight YOLO11Architecture with Dataset-Specific Color Priors for Small Lemon Detection in Orchards
本研究では、果樹園における小規模レモンの検出精度向上を目的とした、パラメータ効率の良い物体検出モデル「LemonDet」を提案する。LemonDetはYOLO11nをベースとし、データセットの物体スケール分布を考慮して標準的なP3-P5検出構造をP2-P4に再構築し、高解像度空間特徴の保持を確実にする。さらに、学習データ中のラベル付けされたレモン領域から得られたデータセット固有のRGBカラー事前情報を早期の特徴抽出プロセスに転送する「Lemon Color Prior Convolution (LCP-Conv)」モジュールを開発した。また、学習画像にのみ適用されるラベルガイドローカル画像強調アプローチにより、小物体における限定的なピクセル表現を強化する。実験の結果、LemonDetは精度87.2%、再現率81.6%、F1スコア84.3%、mAP50 89.2%、mAP50-95 54.8%を達成した。パラメータ数は0.99百万であり、ベースラインYOLOモデルよりもパラメータ効率が高く、検出性能も向上している。アブレーション結果は、カラー正規化とラベルガイドローカル強調が性能に寄与することを示している。
- YOLO11nをベースに検出構造をP3-P5からP2-P4へ再構築した軽量物体検出モデル「LemonDet」を提案(LemonDetは提案モデル名/YOLO11nはベース技術)
- ラベル付きレモン領域から得たデータセット固有のRGB色事前情報を初期特徴抽出に注入する「Lemon Color Prior Convolution (LCP-Conv)」モジュールを開発
- 学習画像のみに適用するラベルガイドローカル画像強調により小物体の限定的なピクセル表現を強化
- 精度87.2%、再現率81.6%、F1 84.3%、mAP50 89.2%、mAP50-95 54.8%を達成し、パラメータ数0.99百万でベースラインYOLOより高効率・高性能
- アブレーション結果によりカラー正規化とラベルガイドローカル強調の性能寄与を確認
軽量物体検出の研究報告であり、直接の事業発表ではないが、0.99MパラメータでmAP50 89.2%を達成した点はエッジAI(農業ドローン・スマート農業向け)の実装コスト低減につながる可能性がある。データセット固有の色事前情報を畳み込みに注入するLCP-Convや、検出ヘッドをP2-P4に再構成する設計は、汎用モデルの微調整では取りこぼす小物体検出の領域であり、特定産業特化型の軽量モデルを自社データで内製する動きが強まれば、汎用基盤モデル一本足のバリューチェーンに変化を与えうる。投資家としては、農業テックやエッジ推論チップ・推論最適化ツールを手掛ける企業への波及、およびオープンソースYOLO系エコシステムの競争激化に注目したい。