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

En las tranquilas hileras moteadas por el sol de un huerto de manzanos comercial, un desafío sutil pero difícil aguarda a las máquinas del futuro. Durante décadas, la visión computarizada ha aprendido a reconocer objetos, encontrando coches en el tráfico o personas en multitudes con una velocidad notable. Pero cuando esas mismas máquinas observan un manzano joven a principios del verano, la tarea se vuelve sorprendentemente difícil. El fruto es diminuto, a menudo no más grande que una uña, y está oculto dentro de una maraña densa y caótica de hojas verdes, tallos y ramas que parecen casi idénticos al propio fruto. Este entorno de "verde sobre verde" crea un rompecabezas visual donde el objetivo se funde perfectamente con el fondo. Para construir robots que puedan cuidar estos árboles —tal vez para ralear el exceso de fruta para que los que queden crezcan grandes y dulces— los ingenieros necesitan más que una cámara que vea un fruto. Necesitan un sistema que pueda distinguir el delicado tallo filiforme que sostiene el fruto, la pequeña copa en su base y el cuerpo del propio fruto, incluso cuando están parcialmente ocultos o tienen solo unos pocos píxeles de ancho en una pantalla.

Este es el problema específico abordado por un equipo de investigadores de la Universidad de Cornell, quienes se propusieron probar qué tan bien maneja la inteligencia artificial moderna estos detalles diminutos y ocultos. Se centraron en una familia de modelos de IA conocidos como YOLO, que son famosos por su capacidad para detectar objetos en tiempo real. El equipo no inventó un nuevo tipo de IA; en su lugar, actuaron como experimentadores meticulosos, tomando tres generaciones diferentes de estos modelos —el establecido YOLOv8, el más nuevo YOLOv11 y el muy reciente YOLOv26— y probándolos bajo una amplia variedad de condiciones. Querían saber dos cosas: ¿un modelo de IA más grande y complejo siempre funciona mejor para estos objetivos diminutos?, y ¿ayuda al modelo recibir una imagen más nítida y de mayor resolución para ver lo que de otro modo podría perderse? Para averiguarlo, entrenaron treinta versiones diferentes de estos modelos utilizando un conjunto de datos de 600 imágenes tomadas de un huerto de manzanos real en el estado de Washington, donde la fruta estaba en su tamaño más pequeño y difícil de detectar.

Los resultados de estas extensas pruebas revelaron una verdad contraintuitiva sobre cómo aprenden a ver estas máquinas. Durante mucho tiempo, la suposición en el campo ha sido que si quieres un mejor rendimiento, simplemente necesitas un cerebro más grande. En el mundo de la IA, esto significa usar un modelo con más capas y más parámetros, esencialmente dándole a la computadora más memoria y potencia de procesamiento para analizar la imagen. Los investigadores probaron esto comparando las versiones más pequeñas de los modelos, conocidas como "nano", contra las versiones masivas "extra-large". Descubrieron que el simple hecho de hacer el modelo más grande no garantizaba mejores resultados. De hecho, los modelos más grandes, con mayor carga computacional, a menudo no lograban superar a sus primos mucho más pequeños y eficientes. Los modelos más grandes a veces perdían de vista los tallos diminutos por completo o luchaban por dibujar los límites precisos del fruto, a pesar de tener mucha más potencia de cómputo a su disposición.

En cambio, la clave para ver estos objetos pequeños con claridad residía en cómo se presentaban las imágenes a la IA durante el entrenamiento. Los investigadores compararon dos enfoques: uno donde las imágenes se reducían a un tamaño estándar de 640 por 640 píxeles, y otro donde las imágenes se mantenían en una resolución más alta de 960 por 960 píxeles. Cuando las imágenes se reducían, los tallos diminutos y los cuerpos de los frutos pequeños perdían detalle, volviéndose borrosos o desapareciendo en el ruido de las hojas del fondo. Al mantener la resolución más alta, los investigadores preservaron los detalles espaciales finos que la IA necesitaba para dar sentido a la escena. Este enfoque de mayor resolución ayudó consistentemente a los modelos, pero no ayudó a todos los modelos por igual. Las mejoras más significativas se observaron en los modelos de tamaño pequeño a mediano. Estos modelos compactos, al ser entrenados con imágenes más nítidas, fueron capaces de detectar y delinear las partes diminutas del fruto con un nivel de precisión que los modelos masivos no pudieron igualar, incluso cuando los modelos masivos recibían las mismas imágenes de alta resolución.

El estudio destacó que la dificultad de la tarea varía dependiendo de qué parte del fruto necesita ver el robot. El cuerpo principal del fruto joven, que es más redondeado y grande, era relativamente fácil de encontrar para la IA. La copa de la flor en la base del fruto era más difícil, pero aún manejable. El objetivo más difícil fue el pedúnculo, el tallo delgado y similar a una aguja que une el fruto a la rama. Esta estructura es tan estrecha y a menudo está tan obstruida por las hojas que se pierde fácilmente cuando se redimensiona una imagen o cuando el modelo de IA no está ajustado correctamente. Los investigadores encontraron que los modelos pequeños entrenados con imágenes de alta resolución fueron los más exitosos en encontrar estos tallos. Por ejemplo, uno de los modelos pequeños, al ser entrenado con las imágenes de 960 píxeles, logró un alto nivel de precisión en la identificación del fruto y sus partes utilizando solo una fracción de la potencia de cómputo requerida por los modelos más grandes. Los modelos más grandes, por el contrario, requerían significativamente más tiempo para procesar cada imagen y consumían mucha más energía, pero no producían mejores resultados. En algunos casos, los modelos más grandes funcionaron peor, sugiriendo que añadir más complejidad a veces puede confundir a la IA en lugar de ayudarla.

Este trabajo ofrece una guía clara para los ingenieros que construyen robots para la agricultura. Sugiere que el camino hacia una mejor percepción no es necesariamente construir computadoras más grandes y costosas, sino ser más inteligentes en la preparación de los datos. Al enfocarse en preservar los detalles finos de la imagen y combinar eso con un modelo que sea solo lo suficientemente grande para la tarea, es posible lograr una alta precisión sin el pesado costo computacional. Los investigadores encontraron que un modelo pequeño entrenado con imágenes de alta resolución podía identificar el fruto y sus partes delicadas con una precisión que rivaliza o supera a la de los sistemas más potentes disponibles. Este es un hallazgo crucial para el futuro de la agricultura robótica, donde los robots necesitan operar de manera rápida y eficiente en el campo, a menudo con recursos limitados de energía y computación. El estudio concluye que, para el desafío específico de ver objetos diminutos y ocultos en un entorno verde complejo, la combinación de un modelo compacto y una visión nítida es mucho más efectiva que simplemente lanzar más potencia de cómputo al problema. La implementación de estos modelos y los datos utilizados están ahora disponibles para que otros los utilicen, proporcionando una base práctica para la próxima generación de robots agrícolas que pueden ver el huerto no solo como un desenfoque verde, sino como una colección de estructuras individuales y delicadas esperando ser atendidas.