SavedAdd your journal

Journals / Avrupa Bilim ve Teknoloji Dergisi / 2026 / Sayı: 38

Performance Comparison of YOLOv3,YOLOv4 and YOLOv5 algorithms : A Case Study for Poultry Recognition

YOLOv3, YOLOv4 ve YOLOv5 algoritmalarının Performans Karşılaştırması: Kümes Hayvan Tanıma İçin Bir Vaka Çalışması

Oğuzhan Kıvrak(BANDIRMA ONYEDI EYLUL UNIVERSITY, BANDIRMA VOCATIONAL SCHOOL)0000-0001-5541-6749
Mustafa Zahid Gürbüz(DOĞUŞ ÜNİVERSİTESİ)0000-0002-5125-6378
Pages
392–397
Publication Date
2022-08-31
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results show that YOLOv5x (XLarge depth) model records the highest accuracy, resulting in a mean average precision at 0.5 IOU of %99.5

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of this study is to classify poultries using popular convolutional neural network models.
📊
Key Findings & Data:The different YOLO models are experimented to find best YOLO models in terms of performance.
💡
Conclusion & Impact:The results show that YOLOv5x (XLarge depth) model records the highest accuracy, resulting in a mean average precision at 0.5 IOU of %99.5
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:YOLO · Performans Karşılaştırma · Görüntü İşleme

Abstract

The aim of this study is to classify poultries using popular convolutional neural network models. The different YOLO models are experimented to find best YOLO models in terms of performance. For this purpose, a case study was conducted on different versions of the YOLO model. A new dataset has been described in this study. In the dataset, there are 918 photos containing chickens, cockerel, and chicks. The dataset split into %80 training set and %20 test set. The images of poultries in the training and test datasets were manually annotated and those in the training dataset were used to train the YOLOv3-tiny, YOLOv3, YOLOv4-tiny, YOLOv4, YOLOv5s, and YOLOv5x Models. The results of using YOLOv5 for poultry detection are compared with other popular CNN architectures, YOLOv3, YOLOv4 models. The results show that YOLOv5x (XLarge depth) model records the highest accuracy, resulting in a mean average precision at 0.5 IOU of %99.5

Özet

Bu çalışmanın amacı, görüntüleri sınıflandırmak için kullanılan popüler evrişim sinir ağı modellerinin arasındaki performans farklılıklarını bulmaktır. Bunun için, YOLO modelinin farklı versiyonları üzerinde bir vaka çalışması yürütüldü. Bu çalışma için yeni bir veri seti oluşturulmuştur. Oluşturulan veri setinde, 918 adet tavuk, horoz ve civciv görüntülerini içeren kümes hayvanı fotoğrafları bulunmaktadır. Veri kümesinin % 80'i eğitim % 20 test olarak ayrılmıştır. Eğitim ve test veri kümelerindeki kümes hayvanlarının görüntüleri manuel olarak etiketlendi. Eğitim veri kümelesindeki görüntüler YOLOv3-tiny, YOLOv3, YOLOv4-tiny, YOLOv4, YOLOv5s, ve YOLOv5x modelleri kullanılarak eğitim tamamlandı. Kümes hayvanı tespiti için YOLOv5' modeli ile elde edilen sonuçlar diğer popüler CNN mimarisi sahip olan YOLOv3 YOLOv4 modelleri ile karşılaştırılmıştır. Sonuç olarak YOLOv5x(XLarge Depth(derinlik)) modeli 0,5 IOU'da %99,5 ortalama hassasiyetle en yüksek doğruluk oranı bulunmuştur.

🔖

Cite This Article

Kıvrak, O., Gürbüz, M. Z. (2022). Performance Comparison of YOLOv3,YOLOv4 and YOLOv5 algorithms : A Case Study for Poultry Recognition. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 38, 392–397. https://doi.org/10.31590/ejosat.1111288

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (30)

  1. Ahmed, I., Jeon, G.(2021). A real-time person tracking system based on SiamMask network for intelligent video surveillance. J Real-Time Image Proc (2021). https://doi.org/10.1007/s11554-021-01144-5.
  2. Şin, B. Kadıoğlu, İ. (2019). İnsansız Hava Aracı (İHA) ve Görüntü İşleme Teknikleri Kullanılarak Yabancı Ot Tespitinin Yapılması. Turkish Journal of Weed Science, 22 (2), pp. 211-217. Kıvrak,O., Gürbüz M.Z., Güran, A. (2020), Çivi Yazısından Dijital Kodlamaya Sosyo -Ekonomi Çalışmaları, Ekin Yayınevi, pp.1-12.
  3. Tan, F.; Yüksel,A.; Aydemir,E.; Ersoy, M. (2021). "Derin Öğrenme Teknikleri İle Nesne Tespiti Ve Takibi Üzerine Bir İnceleme", Avrupa Bilim ve Teknoloji Dergisi, no. 25, pp. 159-171, Jun. 2021, doi:10.31590/ejosat.878552.
  4. Tian, Y., Yang, G. Wang, Z. Li,E.,Liang, Z. (2019). Detection of Apple Lesions in Orchards Based on Deep Learning Methods of CycleGAN and YOLOV3-Dense. Hindawi Journal of Sensors. https://doi.org/10.1155/2019/7630926.
  5. Mathew, M.P., Mahesh, T.Y. (2021).Leaf-based disease detection in bell pepper plant using YOLO v5. SIViP (2021). https://doi.org/10.1007/s11760-021-02024-y.
  6. Jubayer, M.F.; Soeb, M.J.A.; Paul, M.K.; Barua, P.; Kayshar, M.S.; Rahman, M.M.; Islam, M.A.(2021). Mold Detection on Food Surfaces Using YOLOv5. Preprints 2021, 2021050679 (doi: 10.20944/preprints202105.0679.v1).
  7. Mutludoğan, K.2020. Derin Öğrenme Tabanlı Şeffaf Nesne Tanıma. Bilgisayar Mühendisliği Anabilim Dalı Yüksek Lisans Tezi, Bursa Uludağ Üniversitesi.
  8. Şimşek, E., Özyer, B., Tümüklü Özyer, G., (2019). Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.9, sa.4, 633-644.
  9. Dandıl, E, Turkan, M, Boğa, M, Çevik, K. (2019). Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, BŞEÜ Fen Bilimleri Dergisi 6. Cilt - Prof. Dr. Fuat Sezgin Bilim Yılı Özel Sayısı, 177-189. DOI: 10.35193/bseufbd.592099
  10. Esteban, J.M., Loosdrecht, J.V., Aghaei, M. (2021). Obstacle Detection for BVLOS Drones. ArXiv, abs/2106.11098
  11. Kentaro Wada. labelme: Image Polygonal Annotation with Python. https://github.com/wkentaro/labelme, 2016
  12. Chen, J., Wang, Z., Wu, J., Hu, Q., Zhao, C., Tan, C., Teng, L., & Luo, T. (2021). An improved Yolov3 based on dual path network for cherry tomatoes detection. Journal of Food Process Engineering, 44( 10), e13803. https://doi.org/10.1111/jfpe.13803
  13. Redmon, J., & Farhadi, A. (2018). Yolov3: An incremental improvement. arXiv preprint arXiv:1804.02767.
  14. Iyer, Rakkshab & Bhensdadiya, Kevin & Ringe, Priyansh. (2021). Comparison of YOLOv3, YOLOv5s and MobileNet-SSD V2 for Real-Time Mask Detection. International Journal of Research in Engineering and Technology. 2395-0056.
  15. Kılıç, B., Baykal Kablan, E., Doğan, H., Ekinci, M., Ercin, M. E. & Ersöz, Ş. (2020). Derin Konvolüsyonel Nesne Algılayıcı ile Plevral Efüzyon Sitopatolojisinde Otomatik Çekirdek Algılama. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 13 (1), 33-42. Fang, Y., Guo, X., Chen, K., Zhou, Z., and Ye, Q. (2021). "Accurate and automated detection of surface knots on sawn timbers using YOLO-V5 model," BioResources 16(3), 5390-5406.
  16. Ieamsaard, J., Charoensook, S. N., Yammen, S., "Deep Learning-based Face Mask Detection Using YoloV5," 2021 9th International Electrical Engineering Congress (iEECON), 2021, pp. 428-431, doi: 10.1109/iEECON51072.2021.9440346.
  17. Murat, S. 2021İnsansız Hava Aracı Görüntülerinden Derin Öğrenme Yöntemleriyle Nesne Tanıma. Yüksek Lisans Tezi, Maltepe Üniversitesi.
  18. Jetbrains. Pycharm. https://www.jetbrains.com/pycharm/, Erişim Zamanı: 23.08.2021.
  19. Bochkovskiy, A., Wang, C. Y., and Liao, H. Y. M. 2020. "Yolov4: optimal speed and accuracy of object detection," arXiv preprint arXiv:2004.10934
  20. Cengil, E., Çınar, A. (2021). Poisonous Mushroom Detection using YOLOV5. Turkish Journal of Science and Technology, 16(1), 119-127.
  21. Dewi,C., Chen, R. -C., Liu, Y. -T., Jiang, X., Hartomo, K. D., 2021,"Yolo V4 for Advanced Traffic Sign Recognition With Synthetic Training Data Generated by Various GAN," in IEEE Access, vol. 9, pp. 97228-97242, 2021, doi: 10.1109/ACCESS.2021.3094201
  22. Yu, J, Wei Z. 2021. Face Mask Wearing Detection Algorithm Based on Improved YOLO-v4. Sensors 21, no. 9: 3263. https://doi.org/10.3390/s21093263
  23. Kumar, A., Kalia, A., Sharma, A. et al. A hybrid tiny YOLO v4-SPP module based improved face mask detection vision system. J Ambient Intell Human Comput (2021). https://doi.org/10.1007/s12652-021-03541-x
  24. Jintasuttisak, T. Edirisinghe, E. El Battay, A. (2022). Deep neural network based date palm tree detection in drone imagery. Computers and Electronics in Agriculture. 192.10.1016/j.compag.2021.106560.
  25. Şin, B. Kadıoğlu, İ. (2019). İnsansız Hava Aracı (İHA) ve Görüntü İşleme Teknikleri Kullanılarak Yabancı Ot Tespitinin Yapılması. Turkish Journal of Weed Science, 22 (2), pp. 211-217.
  26. Tan, F.; Yüksel,A.; Aydemir,E.; Ersoy, M. (2021). "Derin Öğrenme Teknikleri İle Nesne Tespiti Ve Takibi Üzerine Bir İnceleme", Avrupa Bilim ve Teknoloji Dergisi, no. 25, pp. 159-171, Jun. 2021, doi:10.31590/ejosat.878552.
  27. Şimşek, E., Özyer, B., Tümüklü Özyer, G., (2019). Fotokapan Görüntülerinde Yerel Öznitelikler ile Nesne Tespiti. Gümüşhane Üniversitesi Fen Bilimleri Enstitüsü Dergisi, cilt.9, sa.4, 633-644.
  28. Dandıl, E, Turkan, M, Boğa, M, Çevik, K. (2019). Daha Hızlı Bölgesel-Evrişimsel Sinir Ağları ile Sığır Yüzlerinin Tanınması. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, BŞEÜ Fen Bilimleri Dergisi 6. Cilt - Prof. Dr. Fuat Sezgin Bilim Yılı Özel Sayısı, 177-189. DOI: 10.35193/bseufbd.592099
  29. Kılıç, B., Baykal Kablan, E., Doğan, H., Ekinci, M., Ercin, M. E. & Ersöz, Ş. (2020). Derin Konvolüsyonel Nesne Algılayıcı ile Plevral Efüzyon Sitopatolojisinde Otomatik Çekirdek Algılama. Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği Dergisi, 13 (1), 33-42.
  30. Dewi,C., Chen, R. -C., Liu, Y. -T., Jiang, X., Hartomo, K. D., 2021,"Yolo V4 for Advanced Traffic Sign Recognition With Synthetic Training Data Generated by Various GAN," in IEEE Access, vol. 9, pp. 97228-97242, 2021, doi: 10.1109/ACCESS.2021.3094201