Comprehensive Performance Evaluation of YOLOv12, YOLO11, YOLOv10, YOLOv9 and YOLOv8 on Detecting and Counting Fruitlet in Complex Orchard Environments
تقدم هذه الدراسة تقييماً مقارناً شاملاً لنماذج YOLOv8 وصولاً إلى YOLOv12 للكشف عن الثمار الخضراء غير الناضجة وعدّها في بيئات البساتين المعقدة، حيث وجدت أن نماذج YOLOv9 وYOLOv12 توفر دقة كشف عالية، بينما يوفر نموذج YOLO11n أفضل توازن بين دقة العد وسرعة الاستدلال في الوقت الفعلي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تحدي "عين التفاحة": تعليم الروبوتات عدّ التفاح الصغير
تخيل أنك تقف في بستان تفاح ضخم وفوضوي. أنت تبحث عن تفاح أخضر صغير جداً (يُسمى "الثمار الصغيرة" أو fruitlets) لا تزال في مرحخ النمو. إليك المشكلة: هذه التفاحات الصغيرة لها نفس لون الأوراق تماماً، وغالباً ما تختبئ خلف الأغصان، كما أنها تتجمع معاً في كتل مزدحمة.
إذا أراد مزارع استخدام روبوت للمساعدة في عملية "تخفيف" هذه التفاح (إزالة بعضها لكي تنمو الثمرات الأخرى بشكل أكبر وأفضل)، فإن هذا الروبوت يحتاج إلى "عقل" يمكنه الرؤية وسط هذه الفوضى.
هذه الورقة البحثية هي في الأساس "معركة العقول". فقد أخذ الباحثون خمسة من أكثر "العيون الاصطناعية" تطوراً في العالم (المعروفة باسم عائلة YOLO - والتي ترمز إلى "You Only Look Once" أو "أنت تنظر مرة واحدة فقط") ووضعوها في مسار عقبات شاق لمعرفة أي منها الأفضل في رصد وعدّ هذه التفاحات الخضراء الصغيرة.
المتسابقون: عائلة YOLO
فكر في نماذج YOLO كأنها رياضيون مختلفون يدخلون سباق عقبات:
- YOLOv8: "القديم الموثوق". خبير ومستقر، لكنه ربما يكون أبطأ قليلاً من الشباب الجدد.
- YOLOv9: "الاستراتيجي الذكي". يستخدم رياضيات ذكية للتأكد من عدم فقدان التفاصيل المهمة أثناء التفكير.
- YOLOv10: "خبير الكفاءة". مصمم للعمل بسرعة عبر إلغاء الخطوات غير الضرورية.
- YOLO11: "شيطان السرعة". بُني من أجل زمن استجابة سريع للغاية وخاطف.
- YOLOv12: "الأخصائي عالي التقنية". يستخدم آليات "انتباه" متقدمة، مثل تركيز الإنسان الشديد على نقطة محددة.
مسار العقبات (الاختبار)
لم يختبر الباحثون هذه العقول الاصطناعية في مختبر نظيف فحسب، بل ألقوا بها في "العالم الحقيقي":
- اختبار التمويه: هل يستطيع الذكاء الاصطناعي التمييز بين التفاحة الخضراء والورقة الخضراء؟
- اختبار الغميضة: هل يمكنه العثور على تفاحة مغطاة بنسبة 90% بغصن؟
- اختبار التنوع: هل يعمل على أنواع مختلفة من التفاح (مثل Honeycrisp مقابل Cosmic Crisp)، أم أنه يتعرف على نوع واحد فقط؟
- تبديل الكاميرا: قاموا بتدريب الذكاء الاصطناعي باستخدام كاميرا احترافية باهظة الثمن، ثم اختبروه باستخدام هاتف iPhone 14 Pro Max عادي. هذا يشبه تعليم شخص القيادة في سيارة فيراري ثم الطلب منه قيادة شاحنة قديمة متهالكة—هل سيظل قادراً على أداء المهمة؟
النتائج: من فاز؟
لم يكن هناك فائز واحد فقط؛ فالأمر يعتمد على ما تحتاجه من الروبوت:
- من أجل الدقة المطلقة (الباحث عن المثالية): كان YOLOv9 هو بطل "متوسط الدقة المتوسط" (Mean Average Precision). إذا كنت تريد أن يكون الذكاء الاصطناعي دقيقاً قدر الإمكان في تحديد مكان التفاح بالضبط، فإن YOLOv9 هو خيارك الأفضل. إنه يشبه عالماً يدقق في كل إجابة.
- من أجل السرعة (العداء): فاز YOLO11n بالسباق. كان سريعاً بشكل مذهل، حيث عالج الصور في 2.4 مللي ثانية فقط. إذا كان لديك روبوت يتحرك بسرعة عبر البستان وتحتاج منه اتخاذ قرارات فورية، فإن YOLO11 هو الفائز. إنه الرياضي الذي يستجيب قبل أن تدرك أنت حدوث الشيء.
- من أجل العدّ (المحاسب): عندما تعلق المسألة بعدّ العدد الإجمالي للتفاح دون ارتكاب أخطاء، حصد YOLO11n أيضاً الميدالية الذهبية. لقد كان الأكثر موثوقية في تقديم "الحصيلة النهائية" التي تطابق ما قد يعدّه البشر.
لماذا يهم هذا الأمر؟
في الوقت الحالي، تعتبر عملية تخفيف التفاح مهمة شاقة يدوياً وتعتمد على العمال الموسميين. ومع صعوبة العثور على أشخاص للقيام بهذا العمل، فنحن بحاجة إلى الروبوتات.
تثبت هذه الورقة البحثية أننا لسنا بحاجة إلى كاميرات متخصصة بملايين الدولارات لجعل هذا الأمر ممكناً؛ إذ يمكننا استخدام الهواتف الذكية عالية الجودة والذكاء الاصطناعي الذكي مثل YOLO11 لإنشاء روبوتات يمكنها "الرؤية" و"العد" تماماً مثل البشر. هذا يساعد المزارعين على زراعة ثمار أفضل، ويقلل من نقص العمالة، ويجعل الزراعة أكثر تطوراً وكفاءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.