深度学习优化：YOLOv5与YOLOv7结合DeepSORT在微流体液滴追踪中的性能比较

本文探讨了在微流体领域中，利用先进的目标检测算法You Only Look Once (YOLO)系列，特别是YOLOv5和YOLOv7，与对象跟踪算法DeepSORT进行集成，以解决液滴跟踪的挑战性任务。作者Mihir Durve等人来自多个研究机构，如意大利理工学院、欧洲核子研究中心等，共同合作开发了一种定制的液滴识别和跟踪系统。 首先，YOLOv5和YOLOv7因其高效性和准确性被选为潜在的解决方案。YOLO系列以其实时检测能力闻名，而DeepSORT则通过深度关联度量提供跟踪性能。为了适应微流体实验视频的特定需求，研究人员对这两个模型进行了专门的训练，优化它们在液滴识别上的性能。 在实验部分，文章对比了YOLOv5和YOLOv7在不同硬件配置下的表现，特别是在训练时间和分析时间方面的效率。尽管YOLOv7版本提供了10%的速度提升，但在实际应用中，尤其是在轻量级的RTX 3070硬件上，更古老的YOLO模型能够配合DeepSORT实现实时液滴跟踪。这是因为DeepSORT算法对于实时跟踪的要求更为精细，可能需要更稳定和优化的计算资源。 此外，研究者在定制的数据集上评估了这两种模型，这些数据集专为微流体液滴设计，反映了实际实验环境的复杂性和多样性。结果表明，虽然YOLOv7在性能上有优势，但在某些场景下，考虑到实际应用中的资源限制，YOLOv5的定制网络可能是更具性价比的选择。 本文的主要贡献在于展示了如何将高性能的YOLO模型与深度关联跟踪算法DeepSORT结合，以及在微流体液滴跟踪中的实际应用效果。这对于理解和优化微流体设备的监控和控制具有重要意义，同时也为其他领域的目标检测和跟踪任务提供了有价值的参考案例。