YOLOv11-CoordAttention轻量化烟叶目标检测模型
张千子, 朱云聪, 杜啟霞, 赵文军, 李丽华, 李学明, 邓邵文, 王剑松, 高云才, 曹静
2026, 65(1):
152-158.
doi:10.14088/j.cnki.issn0439-8114.2026.01.025
摘要
(
13 )
PDF (7846KB)
(
2
)
参考文献 |
相关文章 |
多维度评价
为提升YOLOv11模型在烟叶智能分级目标检测任务中的性能,解决资源受限环境下烟叶目标检测的准确性和时效性问题,提出一种轻量级的YOLOv11-CoordAttention烟叶目标检测模型。通过对比不同主干网络、卷积模块及注意力机制对模型精度与速度的影响,评估各组件的有效性。在此基础上设立消融试验,以探究优化组合的实际效果,从而全面揭示模型在实际应用中的性能表现。结果表明,YOLOv11-CoordAttention模型在烟叶目标检测任务中具有更优的综合性能,其精确率为100%,召回率为99.4%,F1分数为99.7%,mAP50为99.5%,模型大小为5.2 MB,参数量为2.3×106,计算量为6.3×109,帧率为198.2帧/s。相较于YOLOv11模型,YOLOv11-CoordAttention模型的精确率提升1.2个百分点,平均精度均值提升0.1个百分点。YOLOv11-CoordAttention模型的训练过程稳定有效,表现出色。训练集和验证集的各项损失均随训练轮次增加稳步下降并趋于收敛,表明模型学习过程充分且未出现过拟合。在性能指标方面,该模型的精确率与召回率均保持高位,实现高精度与低漏检率;mAP50与mAP50-95指标俱佳,表明其检测能力强大且鲁棒性高。YOLOv11-CoordAttention模型兼具轻量、高效与精准的优势,可在资源受限设备上稳定运行,胜任复杂场景下的烟叶检测任务。