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

Dans les rangées calmes et parsemées de taches de soleil d'un verger de pommiers commercial, un défi subtil mais difficile attend les machines du futur. Depuis des décennies, la vision par ordinateur a appris à reconnaître des objets, trouvant des voitures dans le trafic ou des personnes dans la foule avec une rapidité remarquable. Mais lorsque ces mêmes machines regardent un jeune pommier au début de l'été, la tâche devient étonnamment difficile. Le fruit est minuscule, souvent pas plus grand qu'un ongle, et il est caché dans un enchevêtrement dense et chaotique de feuilles vertes, de tiges et de branches qui ressemblent presque de manière identique au fruit lui-même. Cet environnement « vert sur vert » crée un casse-tête visuel où la cible se fond harmonieusement dans l'arrière-plan. Pour construire des robots capables de prendre soin de ces arbres — peut-être pour éclaircir l'excès de fruits afin que les restants deviennent gros et sucrés — les ingénieurs ont besoin de plus qu'une simple caméra qui voit un fruit. Ils ont besoin d'un système capable de distinguer la tige délicate et filiforme qui tient le fruit, la petite coupe à sa base, et le corps du fruit lui-même, même lorsqu'ils sont partiellement cachés ou ne font que quelques pixels de large sur un écran.

C'est le problème spécifique abordé par une équipe de chercheurs de l'Université Cornell, qui s'est donné pour mission de tester la capacité de l'intelligence artificielle moderne à gérer ces détails minuscules et cachés. Ils se sont concentrés sur une famille de modèles d'IA connus sous le nom de YOLO, célèbres pour leur capacité à repérer des objets en temps réel. L'équipe n'a pas inventé un nouveau type d'IA ; elle a plutôt agi en expérimentateurs méticuleux, prenant trois générations différentes de ces modèles — le modèle établi YOLOv8, le plus récent YOLOv11, et le très récent YOLOv26 — et les testant sous une grande variété de conditions. Ils voulaient savoir deux choses : un modèle d'IA plus grand et plus complexe fonctionne-t-il toujours mieux pour ces cibles minuscules, et le fait de fournir à l'IA une image plus nette, à plus haute résolution, l'aide-t-il à voir ce qu'elle pourrait autrement manquer ? Pour le savoir, ils ont entraîné trente versions différentes de ces modèles sur un ensemble de données de 600 images prises dans un véritable verger de pommiers dans l'État de Washington, là où les fruits étaient à leur plus petite taille et les plus difficiles à repérer.

Les résultats de ces tests approfondis ont révélé une vérité contre-intuitive sur la façon dont ces machines apprennent à voir. Pendant longtemps, l'hypothèse dans le domaine a été que si l'on veut une meilleure performance, il suffit simplement d'avoir un cerveau plus gros. Dans le monde de l'IA, cela signifie utiliser un modèle avec plus de couches et plus de paramètres, ce qui revient essentiellement à donner à l'ordinateur plus de mémoire et de puissance de traitement pour analyser l'image. Les chercheurs ont testé cela en comparant les versions les plus petites des modèles, dites « nano », contre les versions massives « extra-larges ». Ils ont découvert que le simple fait de rendre le modèle plus grand ne garantissait pas de meilleurs résultats. En fait, les modèles les plus grands, les plus lourds en calcul, échouaient souvent à surpasser leurs cousins beaucoup plus petits et plus efficaces. Les plus gros modèles manquaient parfois totalement les petites tiges ou peinaient à tracer les contours précis du fruit, malgré la puissance de calcul bien plus importante dont ils disposaient.

Au lieu de cela, la clé pour voir clairement ces petits objets résidait dans la manière dont les images étaient présentées à l'IA pendant l'entraînement. Les chercheurs ont comparé deux approches : une où les images étaient réduites à une taille standard de 640 par 640 pixels, et une autre où les images étaient conservées à une résolution plus élevée de 960 par 960 pixels. Lorsque les images étaient réduites, les tiges minuscules et les petits corps de fruits perda ne plus de détails, devenant flous ou disparaissant dans le bruit des feuilles de l'arrière-plan. En conservant une résolution plus élevée, les chercheurs ont préservé les détails spatiaux fins dont l'IA avait besoin pour donner un sens à la scène. Cette approche à haute résolution a systématiquement aidé les modèles, mais elle n'a pas aidé tous les modèles de la même manière. Les améliorations les plus significatives ont été observées dans les modèles de petite à moyenne taille. Ces modèles compacts, lorsqu'ils étaient entraînés sur des images plus nettes, étaient capables de détecter et de détourer les parties minuscules du fruit avec un niveau de précision que les modèles massifs ne pouvaient égaler, même lorsque ces derniers recevaient les mêmes images à haute résolution.

L'étude a souligné que la difficulté de la tâche varie selon la partie du fruit que le robot doit voir. Le corps principal du jeune fruit, qui est plus rond et plus grand, était relativement facile à trouver pour l'IA. La coupe de la fleur à la base du fruit était plus difficile, mais restait gérable. La cible la plus difficile était le pédoncule, la tige fine et semblable à une aiguille qui attache le fruit à la branche. Cette structure est si étroite et souvent si obscurcie par les feuilles qu'elle se perd facilement lorsque l'image est redimensionnée ou lorsque le modèle d'IA n'est pas correctement ajusté. Les chercheurs ont constaté que les petits modèles entraînés sur des images à haute résolution étaient les plus performants pour trouver ces tiges. Par exemple, l'un des petits modèles, lorsqu'il était entraîné sur les images de 960 pixels, atteignait un haut niveau de précision dans l'identification du fruit et de ses parties tout en n'utilisant qu'une fraction de la puissance de calcul requise par les plus grands modèles. Les plus grands modèles, en revanche, nécessitaient beaucoup plus de temps pour traiter chaque image et consommaient beaucoup plus d'énergie, sans pour autant produire de meilleurs résultats. Dans certains cas, les plus grands modèles étaient en fait moins performants, suggérant que l'ajout de complexité peut parfois confondre l'IA plutôt que de l'aider.

Ce travail offre un guide clair pour les ingénieurs construisant des robots pour l'agriculture. Il suggère que le chemin vers une meilleure perception n'est pas nécessairement de construire des ordinateurs plus grands et plus coûteux, mais d'être plus intelligent dans la préparation des données. En se concentrant sur la préservation des détails fins de l'image et en les associant à un modèle juste assez grand pour accomplir la tâche, il est possible d'atteindre une grande précision sans le coût de calcul élevé. Les chercheurs ont découvert qu'un petit modèle entraîné sur des images à haute résolution pouvait identifier le fruit et ses parties délicates avec une précision rivalisant ou dépassant celle des systèmes les plus puissants disponibles. C'est une découverte cruciale pour l'avenir de l'agriculture robotique, où les robots doivent opérer rapidement et efficacement sur le terrain, souvent avec des ressources de puissance et de calcul limitées. L'étude conclut que pour le défi spécifique de voir de petits objets cachés dans un environnement vert complexe, la combinaison d'un modèle compact et d'une vue nette est bien plus efficace que de simplement jeter plus de puissance de calcul face au problème. La mise en œuvre de ces modèles et les données utilisées sont désormais disponibles pour que d'autres puissent les utiliser, fournissant ainsi une base pratique pour la prochaine génération de robots agricoles capables de voir le verger non pas comme un flou vert, mais comme une collection de structures individuelles et délicates attendant d'être soignées.