Cross-Generation Optimization of YOLOv26, YOLOv11, and YOLOv8 for Fine-Grained Small-Object Detection and Instance Segmentation in Complex Orchards

في الصفوف الهادئة والمشمسة لبستان تفاح تجاري، ينتظر آلات المستقبل تحدٍ دقيق وصعب. لعقود من الزمن، تعلمت الرؤية الحاسوبية التعرف على الأشياء، حيث وجدت السيارات في حركة المرور أو البشر في الحشود بسرعة ملحوية. ولكن عندما تنظر تلك الآلات نفسها إلى شجرة تفاح صغيرة في أوائل الصيف، يصبح الأمر صعبًا بشكل مفاجئ. فالثمرة صغيرة، وغالبًا لا يتعدى حجمها حجم ظفر الإبهام، وهي مختبئة داخل تشابك كثيف وفوضوي من الأوراق الخضراء والسيقان والأغصان التي تبدو متطابقة تقريبًا مع الثمرة نفسها. تخلق هذه البيئة "الخضراء على الخضراء" لغزًا بصريًا حيث تندمج الهدف بسلاسة في الخلفية. لبناء روبوتات يمكنها رعاية هذه الأشجار — ربما لتخفيف الفاكهة الزائدة حتى تنمو الثمار المتبقية لتصبح كبيرة وحلوة — يحتاج المهندسون إلى ما هو أكثر من مجرد كاميرا ترى ثمرة؛ إنهم بحاجة إلى نظام يمكنه التمييز بين الساق الدقيقة الشبيهة بالخيط التي تحمل الثمرة، والكأس الصغير عند قاعدتها، وجسم الثمرة نفسه، حتى عندما تكون مخفية جزئيًا أو بعرض بضعة بكسلات فقط على الشاشة.

هذا هو المشكل المحدد الذي يتصدى له فريق من الباحثين في جامعة كورنيل، الذين سعوا لاختبار مدى قدرة الذكاء الاصطناعي الحديث على التعامل مع هذه التفاصيل الصغيرة والمخفية. لقد ركزوا على عائلة من نماذج الذكاء الاصطناعي المعروفة باسم YOLO، المشهورة بقدرتها على رصد الأشياء في الوقت الفعلي. لم يخترع الفريق نوعًا جديدًا من الذكاء الاصطناعي؛ بل عملوا كمجربين دقيقين، حيث أخذوا ثلاثة أجيال مختلفة من هذه النماذج — وهي YOLOv8 الراسخة، وYOLOv11 الأحدث، وYOLOv26 الأحدث على الإطلاق — واختبروها تحت مجموعة واسعة من الظروف. أرادوا معرفة شيئين: هل يعمل نموذج الذكاء الاصطناعي الأكبر والأكثر تعقيدًا دائمًا بشكل أفضل لهذه الأهداف الصغيرة، وهل إطعام الذكاء الاصطناعي صورة أكثر حدة وعالية الدقة يساعده على رؤية ما قد يفوته لولا ذلك؟ ولمعرفة ذلك، قاموا بتدريب ثلاثين نسخة مختلفة من هذه النماذج على مجموعة بيانات مكونة من 600 صورة مأخوذة من بستان تفاح حقيقي في ولاية واشنطن، حيث كانت الثمار في أصغر حالاتها وأصعبها في الرصد.

كشفت نتائج هذا الاختبار المكثف عن حقيقة مثيرة للدهشة حول كيفية تعلم هذه الآلات للرؤية. لفترة طويلة، كان الافتراض في هذا المجال هو أنك إذا أردت أداءً أفضل، فعليك ببساطة امتلاك "دماغ" أكبر. وفي عالم الذكاء الاصطناعي، يعني هذا استخدام نموذج يحتوي على المزيد من الطبقات والمعلمات، مما يعني منح الكمبيوتر المزيد من الذاكرة وقدرة المعالجة لتحليل الصورة. اختبر الباحثون ذلك من خلال مقارنة أصغر نسخ النماذج، المعروفة باسم "نانو" (nano)، مقابل النسخ الضخمة "فائقة الكبر" (extra-large). ووجدوا أن مجرد جعل النموذج أكبر لا يضمن نتائج أفضل. في الواقع، غالبًا ما فشلت النماذج الأكبر والأكثر استهلاكًا للحوسبة في التفوق على نظيراتها الأصغر والأكثر كفاءة. كانت النماذج الأكبر أحيانًا تخطئ في رؤية السيقان الصغيرة تمامًا أو تواجه صعوبة في رسم الحدود الدقيقة للثمرة، رغم امتلاكها قدرة حوسبية أكبر بكثير تحت تصرفها.

بدلاً من ذلك، كان المفتاح لرؤية هذه الأجسام الصغيرة بوضوح يكمن في كيفية تقديم الصور للذكاء الاصطناعي أثناء التدريب. قارن الباحثون بين نهجين: أحدهما حيث يتم تصغير الصور إلى حجم قياسي قدره 640 في 640 بكسل، والآخر حيث يتم الحفاظ على دقة أعلى قدرها 960 في 960 بكسل. عندما تم تصغير الصور، فقدت السيقان الصغيرة وأجسام الثمار الصغيرة تفاصيلها، لتصبح ضبابية أو تختفي في ضجيج الأوراق الخلفية. ومن خلال الحفاظ على دقة أعلى، حافظ الباحثون على التفاصيل المكانية الدقيقة التي يحتاجها الذكاء الاصطناعي لفهم المشهد. ساعد هذا النهج ذو الدقة العالية النماذج باستمرار، لكنه لم يساعد جميع النماذج بالتساوي. فقد لوحظت التحسينات الأكثر أهمية في النماذج الصغيرة إلى المتوسطة الحجم. هذه النماذج المدمجة، عندما تم تدريبها على الصور الأكثر حدة، كانت قادرة على اكتشاف وتحديد أجزاء الثمرة الصغيرة بدقة لا تستطيع النماذج الضخمة مضاهاتها، حتى عندما مُنحت النماذج الضخمة نفس الصور عالية الدقة.

سلطت الدراسة الضوء على أن صعوبة المهمة تختلف بناءً على الجزء الذي يحتاج الروبوت لرؤيته من الثمرة. فجسم الثمرة الشابة الرئيسي، الذي يكون مستديرًا وأكبر حجمًا، كان من السهل نسبيًا على الذكاء الاصطناعي العثور عليه. أما كأس الزهرة عند قاعدة الثمرة فكان أصعب، لكنه لا يزال قابلاً للإدارة. وكان الهدف الأكثر صعوبة هو "النقير" (peduncle)، وهو الساق الرفيعة التي تشبه الإبرة والتي تربط الثمرة بالفرع. هذا الهيكل ضيق للغاية وغالبًا ما يكون محجوبًا بالأوراق لدرجة أنه يضيع بسهولة عند تغيير حجم الصورة أو عندما لا يتم ضبط نموذج الذكاء الاصطناعي بشكل صحيح. وجد الباحثون أن النماذج الصغيرة المدربة على صور عالية الدقة كانت الأكثر نجاحًا في العثور على هذه السيقان. على سبيل المثال، حقق أحد النماذج الصغيرة، عند تدريبه على صور 960 بكسل، مستوى عالٍ من الدقة في تحديد الثمرة وأجزائها مع استخدام جزء بسيط فقط من القدرة الحوسبية المطلوبة للنماذج الأكبر. وفي المقابل، تطلبت النماذج الأكبر وقتًا أطول بكثير لمعالجة كل صورة واستهلكت طاقة أكبر بكثير، ومع ذلك لم تنتج نتائج أفضل. وفي بعض الحالات، كان أداء النماذج الأكبر أسوأ، مما يشير إلى أن إضافة المزيد من التعقيد يمكن أن يربك الذكاء الاصطناعي بدلاً من مساعدته.

يقدم هذا العمل دليلاً واضحًا للمهندسين الذين يبنون روبوتات للزراعة. فهو يشير إلى أن الطريق نحو إدراك أفضل ليس بالضرورة بناء أجهزة كمبيوتر أكبر وأغلى ثمنًا، بل بأن نكون أكثر ذكاءً في كيفية إعداد البيانات. من خلال التركيز على الحفاظ على التفاصيل الدقيقة للصورة وربط ذلك بنموذج كبير بما يكفي فقط للتعامل مع المهمة، يمكن تحقيق دقة عالية دون التكلفة الحوسبية الباهظة. وجد الباحثون أن نموذجًا صغيرًا مدربًا على صور عالية الدقة يمكنه تحديد الثمرة وأجزائها الدقيقة بدقة تضاهي أو تتجاوز الأنظمة الأكثر قوة المتاحة. وهذا اكتشاف حاسم لمستقبل الزراعة الروبوتية، حيث تحتاج الروبوتات إلى العمل بسرعة وكفاءة في الحقل، وغالبًا بموارد طاقة وحوسبة محدودة. وتخلص الدراسة إلى أنه بالنسبة للتحدي المحدد المتمثل في رؤية الأجسام الصغيرة والمخفية في بيئة خضراء معقدة، فإن الجمع بين نموذج مدمج ورؤية حادة هو أكثر فعالية بكثير من مجرد إلقاء المزيد من القوة الحوسبية على المشكلة. إن تنفيذ هذه النماذج والبيانات المستخدمة متاح الآن للآخرين لاستخدامه، مما يوفر أساسًا عمليًا للجيل القادم من الروبوتات الزراعية التي يمكنها رؤية البستان ليس كمجرد ضباب أخضر، بل كمجموعة من الهياكل الفردية الدقيقة التي تنتظر الرعاية.