Rendimiento de yolov8n en la comparación de algoritmos de deep learning para el conteo automático de postlarvas de colossoma macropomum

Abstract

This study aimed to compare the effectiveness of the YOLOv8n algorithm with different deep learning models in the task of automatic detection and counting of Colossoma macropomum postlarvae, a key process to improve aquaculture production and reduce mortality in this field. In order to evaluate the quality of the results, metrics such as accuracy, sensitivity, F1-Score and processing time were analyzed, comparing the performance of YOLOv8n with PP-PicoDet-det-L, Faster R-CNN and Grid R-CNN. The methodology employed included preprocessing and data augmentation techniques applied to a set of 71 images obtained from various mobile devices, which ensured greater representativeness and quality of the sample. The training of the algorithms was carried out in 12 epochs, using both a supercomputer and a workstation provided by IIAP. The results indicate that YOLOv8n exhibits superior performance in terms of detection and automatic counting, as it achieved higher values of precision, sensitivity and F1-Score, while registering a shorter processing time compared to the other algorithms. It should be noted that it achieved a counting time of only 56 seconds, surpassing the other models in terms of speed and efficiency. If future work is able to implement the YOLOv8n algorithm in mobile applications or embedded software, this research could provide a practical solution for the aquaculture industry by using deep learning to automate postlarvae counting, with the potential to improve operational efficiency and reduce costs.

Este estudio se propuso comparar la eficacia del algoritmo YOLOv8n con distintos modelos de deep learning en la tarea de detección y conteo automático de postlarvas de Colossoma macropomum, un proceso clave para perfeccionar la producción acuícola y disminuir la mortalidad en este ámbito. Con el fin de evaluar la calidad de los resultados, se analizaron métricas como precisión, sensibilidad, F1-Score y tiempo de procesamiento, confrontando el rendimiento de YOLOv8n con PP-PicoDet-det-L, Faster R-CNN y Grid R-CNN. La metodología empleada incluyó técnicas de preprocesamiento y aumento de datos aplicadas a un conjunto de 71 imágenes obtenidas desde diversos dispositivos móviles, lo que aseguró mayor representatividad y calidad de la muestra. El entrenamiento de los algoritmos se llevó a cabo en 12 épocas, utilizando tanto una supercomputadora como una estación de trabajo proporcionadas por el IIAP. Los resultados indican que YOLOv8n exhibe un desempeño superior en cuanto a detección y conteo automático, pues logró valores más altos de precisión, sensibilidad y F1-Score, a la vez que registró un menor tiempo de procesamiento en comparación con los otros algoritmos. Cabe destacar que alcanzó un tiempo de conteo de solo 56 segundos, superando a los demás modelos en términos de velocidad y eficiencia. Si en futuros trabajos se logra implementar el algoritmo YOLOv8n en aplicaciones móviles o software embebido, esta investigación podría constituir una solución práctica para la industria acuícola, al emplear el aprendizaje profundo para la automatización del conteo de postlarvas, con el potencial de mejorar la eficiencia operativa y reducir costos.