该研究提出了一种基于YOLOv5的草莓检测模型，通过修改架构和结合空间金字塔池化，检测精度提升至80.3%。该方法在开放环境中表现优越，适用于实时草莓检测和定位。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s架构，提高了特征梯度流，并与其他竞争模型进行了比较。结果显示，该模型在草莓数据集上实现了80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测的网络参数。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于在户外环境中检测草莓。该模型通过修改YOLOv5s的原始架构，提供了更好的特征梯度流，并通过将空间金字塔池化与Cross Stage Partial Net相结合，提高了泛化能力。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于在户外环境中检测草莓。该模型在草莓数据集上实现了最高80.3%的平均精度，具有快速的推理速度和适用于实时草莓检测和定位的充足网络参数。

该研究提出了一种基于YOLOv5的自定义目标检测模型，用于户外环境中的草莓检测。通过改进YOLOv5s的架构，提高了特征梯度流，并结合空间金字塔池化和Cross Stage Partial Net，提升了在草莓数据集上的泛化能力。该模型在平均精度上达到了80.3%，超过了其他竞争模型。同时，该模型具有快速的推理速度和适用于实时草莓检测和定位的网络参数。