《AgriEngineering》：Single-Class and Three-Class Detection of Foxtail Species Using YOLOv8, YOLO11, and YOLO26 Architectures
编辑推荐：
自动杂草检测代表了精准农业和作物监测领域中一项备受关注的技术工具。在本研究中，研究人员评估了YOLOv8、YOLO11和YOLO26在检测狐尾草物种方面的性能，包括Cenchrus setaceus和Cenchrus alopecuroides（归为单一类别）
自动杂草检测代表了精准农业和作物监测领域中一项备受关注的技术工具。在本研究中，研究人员评估了YOLOv8、YOLO11和YOLO26在检测狐尾草物种方面的性能，包括Cenchrus setaceus和Cenchrus alopecuroides（归为单一类别）、Cortaderia jubata以及Digitaria insularis，这些物种在哥伦比亚有分布，且拥有大量可用于训练和评估的图像。研究人员使用从iNaturalist、Wikimedia Commons、Pl@ntNet以及研究人员自己采集的图像构建了一个包含3156张图像的数据集。模型基于精确率（Precision）、召回率（Recall）、F1分数（F1-score）、mAP@50、mAP@50-95和推理速度等指标进行评估。结果表明，YOLO26系列在每个实验中都保持竞争力，其中YOLO26s模型在两种配置中均表现突出。此外，数据集标签的质量和一致性对训练效率有很大影响。研究结果证明了YOLO架构在自动识别狐尾草物种方面的潜力。
入侵性禾本科杂草对自然生态系统和农业生产构成严重威胁，它们通过竞争水分、养分和光照改变植物群落结构，增加管理难度。Digitaria insularis等物种可导致作物严重减产，Cortaderia jubata被列为高影响入侵植物，Cenchrus属物种也因强适应性而广泛扩散。这些物种因形态相似常统称为“狐尾草”，自动识别困难。已有研究利用YOLO进行杂草检测，但针对狐尾草物种的系统评估仍缺乏。为此，研究人员评估了YOLOv8、YOLO11和YOLO26在单类（整体植物检测）和三类（Cenchrus、Cortaderia jubata、Digitaria insularis）检测任务中的性能，以探索其在精准农业中的应用潜力。研究人员构建了包含3156张图像的数据集，来源包括iNaturalist、Wikimedia Commons、Pl@ntNet及作者自采，其中原始图像661张，经过筛选和增强后得到最终数据集。他们采用统一的超参数和多种随机种子训练了三个YOLO系列的n、s、m变体，并基于精确率、召回率、F1分数、mAP@50、mAP@50-95和推理速度进行对比。结果显示，YOLO26系列在两种配置中均表现竞争力，YOLO26s在单类检测中因定位能力突出被选为最佳，三类检测中YOLO26m和YOLO26n领先。研究还表明，数据集标签质量显著影响训练效率，YOLO架构有望用于狐尾草自动识别。
关键技术方法方面，研究人员从iNaturalist、Wikimedia Commons、Pl@ntNet和作者自采获取图像，经手工筛选保留661张，按75%、15%、10%划分训练、验证和测试集。使用Albumentations库进行数据增强，包括水平翻转、旋转、亮度变化、仿射变换、高斯噪声和模糊，每种原始图像生成5个增强版本，最终得到3156张图像（训练2994张、验证96张、测试66张）。模型采用YOLOv8、YOLO11、YOLO26的n、s、m变体，输入分辨率640×640，批量大小32，训练300轮，使用AdamW优化器、余弦学习率调度、dropout 0.2、早停和自动混合精度。每个模型用三种随机种子训练并计算均值±标准差。推理速度通过Ultralytics验证函数及自定义CPU/GPU基准（50次预热+200次计时）测评。
研究结果分为两个任务。3.1 狐尾草检测（Foxtail Detection）：单类检测中，没有单一模型在所有指标上占优。YOLO26m获得最高精确率（0.911）和F1分数（0.857），YOLO26n获得最高召回率（0.824），YOLO11n在mAP@50上最高（0.873），YOLO26s在mAP@50-95上最高（0.526）。综合考虑严格IoU阈值下的定位能力，研究人员选择YOLO26s作为该任务代表。所有模型精确率较高，但mAP@50-95相比mAP@50下降超过30%，说明边界框定位不够准确；召回率较低，存在漏检。推理速度方面，较小模型FPS更高，YOLOv8n在GPU验证中达284 FPS，YOLO26与YOLO11速度差异不大。训练曲线显示YOLO26m、YOLO26s和YOLO11m收敛值较高。3.2 三类检测（Three-Class Detection）：三类检测中，YOLO26n在精确率（0.876）和mAP@50（0.839）上领先，YOLO26m在召回率（0.807）、F1分数（0.826）和mAP@50-95（0.509）上最高，这两个模型被确定为最优。推理速度上，YOLOv8n在多数测量中速度最快（GPU上达351 FPS），但标准偏差大，YOLO26与YOLO11间无一致差异。训练曲线表明YOLO26m和YOLO11m趋势较好，但精确率波动明显。混淆矩阵显示，主要错误来自与背景的混淆，而非类别间混淆，其中Digitaria insularis因环境视觉相似而最难检测。
讨论部分强调，数据集质量对模型性能影响显著。与已有报道mAP@50超过94%的研究相比，本研究的指标较低，主要原因是本数据集来自iNaturalist，背景高度多样、尺度变化大，增加了学习难度。此外，植物常占据图像较大区域，导致边界框包含大量背景，使模型易将环境特征与植物关联。混淆矩阵证实，主要误差为背景误检和漏检。Digitaria insularis性能最差，因其常见于植被茂密环境，视觉特征与背景高度相似。未来可考虑预处理或模型修改以增强区分。
结论部分（翻译原文）：研究结果凸显了数据集对目标检测模型性能的重要性。类别不平衡、标注不一致以及采集条件的变异性都会影响模型正确检测杂草和区分类别的能力。此外，所评估植物的形态特征可能导致边界框包含部分背景，增大区分对象与周围环境的难度，这在Digitaria insularis中尤为明显。YOLO架构表现出良好的类别区分能力，但定位性能相对较低。主要挑战是实例遗漏，这主要归因于植物与背景的混淆。YOLO26家族在评估的架构中总体表现最具竞争力：YOLO26s在单类配置中突出，而在三类配置中没有单一模型在所有指标上占优，但YOLO26变体仍保持领先。YOLOv8虽具有较好的推理速度，但并非在所有测量中一致最快。总体而言，YOLO架构可用于检测所评估的狐尾草物种，在所用数据集条件下获得可接受的性能，但检测效果受植物与环境视觉相似性以及单类或多类配置的影响。
