Comparative Evaluation of Convolutional and Transformer-Based Detectors for Automated Weed Detection in Precision Agriculture

Resumen Técnico: Evaluación Comparativa de Detectores Basados en Convolución y Transformadores para la Detección Automatizada de Malezas

Enunciado del Problema
El artículo aborda el desafío crítico de la detección de malezas en etapas tempranas en la agricultura de precisión, una tarea complicada por la alta similitud morfológica entre cultivos y malezas, la significativa variabilidad intraclase y las condiciones ambientales no estructuradas (por ejemplo, iluminación variable, texturas del suelo y oclusiones). Si bien el aprendizaje profundo ha avanzado en la visión por computadora agrícola, las soluciones existentes a menudo luchan con la robustez en escenarios del mundo real. Específicamente, existe una falta de comparaciones sistemáticas y justas entre las arquitecturas de Redes Neuronales Convolucionales (CNN) y los modelos basados en transformadores dentro de un marco experimental unificado que utilice conjuntos de datos realistas de alta resolución. El estudio tiene como objetivo determinar si las capacidades de modelado contextual global de los transformadores ofrecen una ventaja tangible sobre la eficiencia computacional de las CNN para la discriminación fina entre cultivos y malezas.

Metodología
Los autores realizaron una evaluación comparativa exhaustiva utilizando el conjunto de datos GROUND-BASED_WEED, un punto de referencia público recopilado de campos comerciales de tomate en España. El conjunto de datos consta de imágenes RGB de alta resolución (5184 × 3888 píxeles) capturadas desde una vista cenital, que presentan siete clases anotadas (un cultivo y seis especies de malezas, más una clase ambigua) y reflejan desafíos del mundo real como el desequilibrio de clases y el ruido en las etiquetas.

El diseño experimental comparó tres arquitecturas representativas de detección de objetos:

1. Basado en CNN: YOLOv26-nano, seleccionado por su diseño ligero y adecuación para sistemas embebidos.
2. Basado en Transformadores: RT-DETR (variantes Mediana y Grande) y RF-DETR, elegidos por su capacidad para capturar el contexto global mediante mecanismos de autoatención.

Todos los modelos fueron entrenados bajo un protocolo estandarizado (200 épocas, optimizador AdamW, tamaño de lote 4) en una GPU NVIDIA RTX 2080 Super. Para analizar la compensación entre precisión y eficiencia, los experimentos se realizaron en tres resoluciones de entrada: 640, 1080 y 2160 píxeles. El rendimiento se evaluó utilizando métricas estándar de COCO (Precisión, Recuperación, mAP@50, mAP@50–95) y métricas de eficiencia de inferencia (latencia y FPS).

Resultados Clave
La evaluación reveló una clara compensación entre la eficiencia computacional y el modelado contextual:

• Rendimiento: YOLOv26-nano y RT-DETR lograron un rendimiento comparable en términos de Precisión, Recuperación y mAP@50, particularmente a resoluciones más altas. Aunque RT-DETR mostró mejoras marginales en mAP@50 a 2160 píxeles, estas ganancias no fueron estadísticamente significativas en comparación con el enfoque basado en CNN. RF-DETR tuvo un rendimiento consistentemente inferior en todas las métricas.
• Impacto de la Resolución: Aumentar la resolución de entrada de 640 a 2160 píxeles produjo solo mejoras negligibles en la precisión de detección. Los autores atribuyen esto a la naturaleza intrínseca del conjunto de datos, donde los objetos objetivo (malezas en etapas tempranas) ocupan una fracción muy pequeña de la imagen, lo que significa que una mayor resolución no necesariamente proporciona características más discriminativas.
• Eficiencia: YOLOv26-nano demostró costos computacionales significativamente más bajos y tiempos de inferencia más rápidos en comparación con los modelos basados en transformadores. Los modelos transformadores requirieron una asignación de memoria más alta y exhibieron tiempos de inferencia más largos, lo que plantea desafíos para la implementación en tiempo real en plataformas embebidas con recursos limitados.

Contribuciones Clave

• Comparación Sistemática: El estudio proporciona una evaluación rigurosa, lado a lado, de detectores CNN y transformadores de última generación bajo condiciones idénticas, abordando una brecha en la literatura respecto a comparaciones justas en contextos agrícolas.
• Evaluación en el Mundo Real: A diferencia de muchos estudios que dependen de entornos controlados, este trabajo utiliza un conjunto de datos de campo real de alta resolución con ruido inherente y desequilibrio de clases, ofreciendo una evaluación más realista de la robustez del modelo.
• Análisis de Resolución: El artículo investiga los rendimientos decrecientes de aumentar la resolución de entrada para la detección de objetos pequeños en agricultura, sugiriendo que la eficiencia arquitectónica puede ser más crítica que la resolución bruta para esta tarea específica.

Significado y Afirmaciones
El artículo concluye que, para la detección de malezas en etapas tempranas en la agricultura de precisión, la optimización jerárquica de CNN (específicamente YOLOv26-nano) ofrece un enfoque más robusto y viable que las arquitecturas basadas en transformadores. Si bien los transformadores sobresalen en el modelado de contexto global, esta capacidad no se traduce en una ventaja de rendimiento sustancial para la tarea específica de detectar objetos pequeños y dispersos en campos agrícolas.

Los autores afirman que YOLOv26-nano proporciona el equilibrio más favorable entre precisión y eficiencia computacional, lo que lo convierte en el candidato preferido para la integración en sistemas robóticos embebidos que operan bajo condiciones de campo reales. El estudio enfatiza que, para esta aplicación, la eficiencia de las CNN de un solo estadio supera los beneficios teóricos de los mecanismos de atención global, particularmente cuando la implementación en dispositivos periféricos es una prioridad. El trabajo futuro sugerido por los autores incluye explorar la segmentación de instancias para una mejor delimitación de morfologías de malezas irregulares y utilizar aumento de datos sintéticos (por ejemplo, GANs o modelos de difusión) para abordar el desequilibrio del conjunto de datos.