YOLO26-MoE ottimizzato da agente LLM per il rilevamento di guasti agli isolatori tramite UAV
Un recente articolo di ricerca introduce YOLO26-MoE, un framework innovativo per il rilevamento di oggetti che incorpora un modulo sparse Mixture-of-Experts (MoE) nel ramo ad alta risoluzione del detector YOLO26. Un agente LLM ottimizza il modello per la regolazione degli iperparametri, l'addestramento finale e la valutazione. Questo studio affronta problemi legati al rilevamento di guasti agli isolatori in immagini UAV, come aree di difetto piccole, pattern di guasto eterogenei, sfondi complessi e condizioni di imaging variabili. Il miglioramento consente un raffinamento adattivo delle caratteristiche, affrontando pattern di guasto sottili e vari, mantenendo l'efficienza di un sistema di rilevamento a stadio singolo. I risultati sono disponibili su arXiv con ID 2605.19595.
Fatti principali
- 1. Il proposto YOLO26-MoE integra MoE sparso nel ramo ad alta risoluzione di YOLO26.
- 2. Ottimizzato da un agente LLM per la regolazione degli iperparametri, l'addestramento e la valutazione.
- 3. Mira al rilevamento di guasti agli isolatori da immagini UAV.
- 4. Affronta piccoli difetti, pattern eterogenei, sfondi complessi e condizioni variabili.
- 5. Raffinamento adattivo delle caratteristiche per pattern di guasto sottili e diversi.
- 6. Preserva l'efficienza del rilevamento a stadio singolo.
- 7. Pubblicato su arXiv con ID 2605.19595.
Entità
Istituzioni
- arXiv