YOLOを用いたリアルタイムオンザゴーアノテーションによる自動データセット生成フレームワーク

- 農業など実世界での YOLO 展開に向け、データセットのアノテーション作業を効率化する研究。 - データ収集後に手作業でラベリングする従来手法ではなく、edge device 上に配備した YOLO モデルで撮影時に即時ラベリングする real-time annotation framework を提案。 - 画像キャプチャ中にアノテーションを完了させる on-the-go 型の仕組み。

- 従来のアノテーションは labor-intensive で、データ収集後の広範な手動ラベリングを要する点が課題だった。 - 提案手法は撮影と同時にラベリングを行うことで、dataset preparation time を大幅に削減しつつ高いアノテーション品質を維持できる可能性を示す。 - 単一クラス vs 多クラス、pretrained vs scratch の構成を比較し、pretrained かつ single-class 構成の優位性を統計的検定と learning dynamics で示した点が特徴。

- edge device 上に YOLO モデルを配備し、画像キャプチャ時にリアルタイムでアノテーションを付与する枠組み。 - YOLOv5, YOLOv8, YOLOv12 の 3 アーキテクチャを対象に評価。 - single-class vs multi-class annotation、pretrained vs scratch-based training の構成を比較し、モデル収束・性能・robustness を分析。

- 3 つの YOLO アーキテクチャ (YOLOv5, YOLOv8, YOLOv12) を various configurations で比較する extensive comparative analysis を実施。 - single-class vs multi-class annotation、pretrained vs scratch-based training の条件で評価。 - 詳細な statistical tests と learning dynamics を含む分析により、pretrained および single-class 構成の優位性を確認。 - リアルタイムアノテーション枠組みの feasibility と effectiveness を検証。

- pretrained と single-class 構成が model convergence, performance, robustness の面で有意な利点を持つと報告。 - リアルタイムアノテーションが dataset preparation time を大幅に削減しつつ高いアノテーション品質を維持できると主張。 - 農業など迅速な意思決定が重要な領域への適用可能性に言及。 - 具体的な限界や失敗事例、edge device の制約などは要旨からは不明。

- 要旨で比較対象として明示されている YOLOv5, YOLOv8, YOLOv12 の各論文。 - edge device 上での YOLO 推論・配備に関する研究。 - 農業向け object detection および自動アノテーションに関する研究。 - 要旨に個別の参照論文名は記載されていないため、上記は関連手法・アーキテクチャ名として挙げる。