YOLOv11s-960登顶果园小目标检测，0.402 mAP还比v26省算力！
Cross-Generation Optimization of YOLOv26, YOLOv11, and YOLOv8 for Fine-Grained Small-Object Detection and Instance Segmentation in Complex Orchards
📖 AI 总结
该研究针对果园环境中小目标检测与实例分割的难题，系统评估了YOLOv8、YOLOv11和YOLOv26三代模型在苹果幼果、花萼和果梗细粒度结构识别上的表现。研究设置了五种模型规模（n至x）和两种训练分辨率（640×640与960×960），共完成30组对比实验。结果显示，单纯增加模型参数并未持续提升精度：YOLOv11s-960取得最佳掩膜mAP@50:95（0.402）和边界框mAP@50:95（0.426），而YOLOv26s-960以仅10.37M参数和34.1 GFLOPs的计算量达到相近性能（0.397和0.425）。果梗识别仍是所有模型面临的最大挑战。总体而言，中等规模模型配合小目标优化训练能在精度与效率间取得最佳平衡，为农业机器人在复杂果园环境中的精细感知提供了实用的基准参考。
🔑 关键词速览
| YOLOv26 | Ultralytics YOLO系列的最新版本，用于目标检测和实例分割，本研究中评估其性能。 |
| YOLOv11 | Ultralytics YOLO系列的一个版本，在目标检测和分割任务中表现优异，本研究中作为对比模型。 |
| YOLOv8 | Ultralytics YOLO系列的经典版本，广泛用于目标检测和分割，本研究中作为基准模型。 |
| 小目标检测 | 针对图像中像素占比小、细节有限的目标进行检测的技术，本研究中用于识别苹果幼果等精细结构。 |
| 实例分割 | 在图像中区分每个目标实例并为其生成像素级掩膜的任务，本研究中用于分割果实、花萼和果梗。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅