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

In den stillen, sonnenbeschierten Reihen eines kommerziellen Apfelgartens wartet eine subtile, aber schwierige Herausforderung auf die Maschinen der Zukunft. Jahrzehntelang hat Computer Vision gelernt, Objekte zu erkennen – sie findet Autos im Verkehr oder Menschen in Menschenmengen mit bemerkenswerter Geschwindigkeit. Doch wenn dieselben Maschinen im frühen Sommer einen jungen Apfelbaum betrachten, wird die Aufgabe überraschend schwer. Die Frucht ist winzig, oft nicht größer als ein Daumennagel, und sie ist in einem dichten, chaotischen Geflecht aus grünen Blätänden, Stielen und Zweigen verborgen, die dem Obst selbst fast identisch sehen. Diese „Grün-auf-Grün“-Umgebung schafft ein visuelles Rätsel, bei dem sich das Zielobjekt nahtlos in den Hintergrund einfügt. Um Roboter zu bauen, die diese Bäume pflegen können – etwa um überschüssige Früchte auszuscheiden, damit die verbleibenden groß und süß werden –, benötigen Ingenieure mehr als nur eine Kamera, die eine Frucht sieht. Sie brauchen ein System, das in der Lage ist, den zarten, fadenförmigen Stiel, der die Frucht hält, den kleinen Kelch an ihrer Basis und den Fruchtkörper selbst zu unterscheiden, selbst wenn sie teilweise verborgen oder auf einem Bildschirm nur wenige Pixel breit sind.

Dies ist das spezifische Problem, das ein Team von Forschern der Cornell University angeht, die untersuchen wollten, wie gut moderne künstliche Intelligenz mit diesen winzigen, verborgenen Details umgeht. Sie konzentrierten sich auf eine Familie von KI-Modellen, die als YOLO bekannt sind und berühmt für ihre Fähigkeit sind, Objekte in Echtzeit zu lokalisieren. Das Team hat keine neue Art von KI erfunden; stattdessen agierten sie als sorgfältige Experimentatoren, die drei verschiedene Generationen dieser Modelle – das etablierte YOLOv8, das neuere YOLOv11 und das sehr aktuelle YOLOv26 – nahmen und sie unter einer Vielzahl von Bedingungen testeten. Sie wollten zwei Dinge wissen: Funktioniert ein größeres, komplexeres KI-Modell immer besser für diese winzigen Ziele, und hilft es der KI, ein schärferes Bild mit höherer Auflösung zu erhalten, um das zu sehen, was sie sonst vielleicht übersehen würde? Um dies herauszufinden, trainierten sie dreißig verschiedene Versionen dieser Modelle mit einem Datensatz aus 600 Bildern, die in einem echten Apfelgarten in Washington State aufgenommen wurden, wo die Früchte am kleinsten und am schwierigsten zu entdecken waren.

Die Ergebnisse dieses umfangreichen Testens offenbarten eine kontraintuitive Wahrheit darüber, wie diese Maschinen lernen zu sehen. Lange Zeit war die Annahme in der Fachwelt, dass man für eine bessere Leistung einfach ein größeres Gehirn benötigt. In der Welt der KI bedeutet dies, ein Modell mit mehr Schichten und mehr Parametern zu verwenden, was im Wesentlichen bedeutet, dem Computer mehr Speicher und Rechenleistung zur Analyse des Bildes zu geben. Die Forscher testeten dies, indem sie die kleinsten Versionen der Modelle, bekannt als „Nano“, gegen die massiven „Extra-Large“-Versionen verglichen. Sie fanden heraus, dass es nicht einfach die Vergrößerung des Modells garantierte, bessere Ergebnisse zu erzielen. Tatsächlich scheiterten die größten, rechenintensivsten Modelle oft daran, ihre viel kleineren, effizienteren Verwandten zu übertreffen. Die größten Modelle übersehen manchmal die winzigen Stiele komplett oder haben Schwierigkeiten, die präzisen Grenzen der Frucht zu ziehen, obwohl sie über weit mehr Rechenleistung verfügen.

Stattdessen lag der Schlüssel zum klaren Sehen dieser kleinen Objekte darin, wie die Bilder der KI während des Trainings präsentiert wurden. Die Forscher verglichen zwei Ansätze: einen, bei dem die Bilder auf eine Standardgröße von 640 mal 640 Pixeln verkleinert wurden, und einen anderen, bei dem die Bilder auf eine höhere Auflösung von 960 mal 960 Pixeln gehalten wurden. Wenn die Bilder verkleinert wurden, verloren die winzigen Stiele und kleinen Fruchtkörper an Detailtiefe, wurden verschwommen oder verschwanden im Rauschen der Hintergrundblätter. Durch das Beibehalten einer höheren Auflösung bewahrten die Forscher die feinen räumlichen Details, die die KI benötigte, um die Szene zu verstehen. Dieser Ansatz mit höherer Auflösung half den Modellen konsequent, aber er half nicht allen Modellen gleichermaßen. Die signifikantesten Verbesserungen zeigten sich bei den klein- bis mittelgroßen Modellen. Diese kompakten Modelle konnten, wenn sie auf den schärferen Bildern trainiert wurden, die winzigen Fruchtteile mit einer Genauigkeit erkennen und umreißen, die die massiven Modelle nicht erreichen konnten, selbst wenn die massiven Modelle dieselben hochauflösenden Bilder erhielten.

Die Studie verdeutlichte, dass die Schwierigkeit der Aufgabe davon abhängt, welchen Teil der Frucht der Roboter sehen muss. Der Hauptkörper der jungen Frucht, der runder und größer ist, war für die KI relativ leicht zu finden. Der Blütenkelch an der Basis der Frucht war schwieriger, aber noch machbar. Das schwierigste Ziel war der Pedunculus, der dünne, nadelförmige Stiel, der die Frucht mit dem Zweig verbindet. Diese Struktur ist so schmal und oft so stark durch Blätter verdeckt, dass sie leicht verloren geht, wenn ein Bild skaliert wird oder wenn das KI-Modell nicht korrekt abgestimmt ist. Die Forscher fanden heraus, dass die kleinen Modelle, die auf hochauflösenden Bildern trainiert wurden, am erfolgreichsten darin waren, diese Stiele zu finden. Beispielsweise erreichte eines der kleinen Modelle, das auf den 960-Pixel-Bildern trainiert wurde, eine hohe Genauigkeit bei der Identifizierung der Frucht und ihrer Teile, während es nur einen Bruchteil der Rechenleistung benötigte, die die größten Modelle erforderten. Die größten Modelle hingegen benötigten signifikant mehr Zeit zur Verarbeitung jedes Bildes und verbrauchten viel mehr Energie, lieferten aber dennoch keine besseren Ergebnisse. In einigen Fällen schnitten die größten Modelle sogar schlechter ab, was darauf hindeutet, dass das Hinzufügen von Komplexität die KI manchmal eher verwirrt als hilft.

Diese Arbeit bietet einen klaren Leitfaden für Ingenieure, die Roboter für die Landwirtschaft entwickeln. Sie legt nahe, dass der Weg zu einer besseren Wahrnehmung nicht zwangsläufig darin besteht, größere, teurere Computer zu bauen, sondern darin, klüger mit der Aufbereitung der Daten umzugehen. Indem man sich darauf konzentriert, die feinen Details des Bildes zu bewahren und dies mit einem Modell zu kombinieren, das gerade groß genug für die Aufgabe ist, kann man eine hohe Genauigkeit erreichen, ohne die hohen Rechenkosten zu tragen. Die Forscher fanden heraus, dass ein kleines Modell, das auf hochauflösenden Bildern trainiert wurde, die Frucht und ihre zarten Teile mit einer Genauigkeit identifizieren konnte, die der von den leistungsfähigsten verfügbaren Systemen ebenbürtig ist oder diese sogar übertrifft. Dies ist eine entscheidende Erkenntnis für die Zukunft des automatisierten Gartenbaus, in dem Roboter schnell und effizient im Feld arbeiten müssen, oft mit begrenzter Energie und Rechenressourcen. Die Studie kommt zu dem Schluss, dass für die spezifische Herausforderung, winzige, verborgene Objekte in einer komplexen grünen Umgebung zu sehen, die Kombination aus einem kompakten Modell und einer scharfen Sicht weitaus effektiver ist, als einfach mehr Rechenleistung auf das Problem zu werfen. Die Implementierung dieser Modelle und die verwendeten Daten stehen nun anderen zur Verfügung und bieten eine praktische Grundlage für die nächste Generation von Agrarrobotern, die den Obstgarten nicht nur als grünes Verschwimmen, sondern als eine Sammlung einzelner, zarter Strukturen sehen können, die gepflegt werden wollen.