RGC-YOLO：一种基于YOLOv8n的轻量化检测器，用于新疆棉田边缘可部署杂草检测

《Frontiers in Plant Science》：RGC-YOLO: a lightweight YOLOv8n-based detector for edge-deployable weed detection in Xinjiang cotton fields

　　

棉花田杂草检测模型在边缘端部署时，需要同时平衡检测精度、模型规模与推理效率。研究人员基于新疆棉田田间图像构建了包含四类杂草的数据集，并提出一种基于YOLOv8n的轻量化检测模型RGC-YOLO。该模型在骨干网络深层引入R-UIB（Reconstructed Universal Inverted Bottleneck）模块，以降低高通道特征提取阶段的参数量与计算量；在颈网络P5特征融合点引入G-C2f（Ghost-enhanced C2f）模块，以提升深层语义特征融合效率；并采用DIoU（Distance-IoU）损失函数加强对边界框定位的约束。结果表明，与YOLOv8n相比，RGC-YOLO的mAP@0.75提升2.65%，参数量降低35.22%，GFLOPs降低15.37%。Eigen-CAM分析进一步显示，RGC-YOLO在杂草目标区域产生更集中的特征响应，并减少无关背景激活。在Jetson AGX Orin平台上，RGC-YOLO的FP16 TensorRT引擎实现了高吞吐与紧凑占用，证明其轻量化设计可转化为边缘部署优势。在芝麻田二分类作物-杂草数据集与2SeasonWeedDet8多类杂草数据集上的外部验证进一步证实，RGC-YOLO在不同农业场景下可保持可比检测性能并保留轻量优势。

论文解读：《Frontiers in Plant Science》刊发的RGC-YOLO研究

研究背景方面，新疆是中国棉花主产区，杂草会与棉花竞争水、养分、光照和生长空间，并成为病虫害宿主，降低产量并增加管理成本。传统人工除草、机械除草和除草剂施用成本高、易污染环境并诱发抗药性杂草。基于计算机视觉的目标检测可为精准喷药和机械除草提供杂草类型与位置信息。单阶段YOLO系列在精度与速度间平衡较好，已被广泛用于农田杂草检测。现有YOLO改进常借助注意力机制、多尺度特征融合和边界框回归优化提升性能，但部分方法在增强特征表达的同时增加了模型复杂度，难以满足边缘设备部署要求。轻量化研究虽通过轻量骨干、注意力增强、特征融合优化等降低计算量，但网络压缩可能削弱特征提取与融合能力；在杂草尺寸差异大、背景干扰强、植株遮挡明显的复杂棉田中，仍会出现检测性能下降和边界框定位不准。因此，如何在降低复杂度的同时维持有效特征表达并改善定位性能，是棉田杂草检测的关键挑战。视觉-语言模型（VLM，Vision-Language Model）具备跨模态检索、零样本识别和视觉推理潜力，但受农业域差异、细粒度歧义、空间定位可靠性和高计算需求限制，实时边缘定位仍依赖高效有监督检测器。研究人员以YOLOv8n为基线，提出RGC-YOLO，旨在实现检测性能、模型复杂度与边缘部署能力的最优平衡。

关键技术方法方面，研究人员于新疆沙雅县乔格特热克村和昌吉市华兴农场在5月至7月、晴阴多云及不同时段、不同高度角度用智能手机采集田间图像，形成含Solanum nigrum L.、Chenopodium album L.、Amaranthus retroflexus L.、Phragmites australis四类杂草的数据集，经X-AnyLabeling标注并保留空标注负样本，按连续场景组级划分训练、验证与测试集。模型上，在骨干网络P4/16与P5/32阶段以R-UIB模块替代常规结构，在颈网络P5尺度以G-C2f模块优化深层语义融合，边界框回归采用DIoU损失。训练使用640×640输入、batch size 16、200 epoch、SGD优化器，并以Precision（P）、Recall（R）、F1-score（F1）、AP、mAP@0.5、mAP@0.75、mAP@0.5:0.95、参数量与GFLOPs评价，辅以Eigen-CAM、Pointing Game（PG）和Energy-Based Pointing Game（EBPG）分析响应定位一致性。

研究结果如下。

2 Materials and methods：研究人员建立新疆棉田四类杂草数据集，说明图像采集、标注、负样本保留、组级划分及类别尺度差异；给出RGC-YOLO总体架构，即骨干引入R-UIB、颈网络P5引入G-C2f、回归采用DIoU；R-UIB借鉴MobileNetV4的UIB（Universal Inverted Bottleneck），以逐点卷积、深度卷积、线性投影和恒等残差连接在扩展比2下压缩深层高通道计算；G-C2f借鉴GhostNet，用GhostBottleneck重构C2f内部分支，降低P5深层语义融合冗余；DIoU在IoU重叠外加入预测框与真值框中心距离约束，公式为DIoU=IoU?ρ²(b,b^gt)/c²，L_DIoU=1?DIoU。训练设置与评价指标也在此明确。

3 Results and discussion：在代表性检测器对比中，Faster R-CNN、RetinaNet、RT-DETR-R18参数量和GFLOPs明显高于轻量YOLO模型且高IoU性能有限；RGC-YOLO取得85.83%最高Precision，较YOLOv8n的Precision提高3.46%、mAP@0.5提高1.31%、mAP@0.75提高2.65%、mAP@0.5:0.95提高1.63%，参数量降35.22%、GFLOPs降15.37%。类级结果显示，RGC-YOLO在四类杂草上AP@0.5、AP@0.75、AP@0.5:0.95均优于YOLOv8n，其中P. australis的AP@0.75提高6.01%。FPS–mAP@0.75气泡图表明，RGC-YOLO位于高精度-速度权衡图右上方且气泡面积较小，在定位精度、推理速度与复杂度间取得更有利折中。

3.1 Performance comparison with representative object detection models：通过上述多模型对比，研究人员得出结论，轻量化并不必然等于更高实用推理效率，RGC-YOLO以选择性深层轻量化避免全面替换特征提取结构，从而保留多尺度特征传播并减少冗余计算。

3.2 Component ablation and structural validation of RGC-YOLO：组件消融中，B0为YOLOv8n，B1加R-UIB，参数降25.91%、GFLOPs降12.56%且多数指标提升；B2加G-C2f，参数降9.30%，mAP@0.75增3.30%；B3联合R-UIB与G-C2f，参数降35.22%、GFLOPs降15.37%，但性能较B2略有回落，体现轻量化与精度的固有权衡；B4再加DIoU，复杂度不变，mAP@0.75增0.77%、mAP@0.5:0.95增0.55%，说明DIoU不改网络结构即可改善高IoU定位。预算匹配实验中，R1仅缩通道，性能下降；R2用R-UIB在相似预算下较R1提升mAP@0.75与mAP@0.5:0.95，证明性能改善来自结构设计而非单纯降通道。

讨论与结论部分，研究人员指出RGC-YOLO不是通过增大网络复杂度，而是通过更高效深层特征处理、P5语义融合优化和DIoU几何约束实现性能提升。其意义在于为复杂棉田边缘部署提供兼顾高精度定位、低参数和低计算开销的检测方案。外部验证在sesame-field binary crop–weed数据集与2SeasonWeedDet8多类杂草数据集上进行，确认RGC-YOLO跨农业场景保持可比性能与轻量优势。结论可译为：RGC-YOLO在YOLOv8n基础上，借助R-UIB降低深层高通道特征提取负担，借助G-C2f优化P5深层语义融合，借助DIoU加强边界框空间对齐；相较YOLOv8n，其在mAP@0.75提升2.65%的同时参数量降低35.22%、GFLOPs降低15.37%。Eigen-CAM显示杂草目标区响应更集中、背景激活更少。Jetson AGX Orin上FP16 TensorRT引擎具备高吞吐与紧凑占用，证明轻量化设计可转化为边缘部署收益。外部验证进一步表明，该模型在不同农业场景下可在保持轻量性的同时维持可比杂草检测性能，对资源受限边缘设备上的实时棉田杂草检测具有应用价值。