Detección de objetos de última generación: una revisión del rendimiento y modelos avanzados frente a los estándares en la agricultura inteligente
Palabras clave:
aprendizaje profundo, detección de objetos, racimos de uvasResumen
La agricultura de precisión incorpora técnicas de visión artificial para automatizar el análisis de imágenes y optimizar las tareas de monitorización en los sistemas de producción. Este artículo presenta una comparación de modelos de detección de objetos aplicados a un caso práctico de agricultura de precisión, utilizando un conjunto de datos propio de imágenes de racimos de uva, con una metodología extensible a conjuntos de datos estándar como COCO. Se evaluaron cuatro enfoques representativos: Faster R-CNN como un modelo clásico de dos etapas, YOLOv11 como un detector de una sola etapa ampliamente utilizado, y dos arquitecturas más recientes basadas en transformadores, DINO y D-FINE. La comparación se realizó considerando métricas de precisión, como mAP@50, y métricas de rendimiento computacional, incluyendo la velocidad de inferencia. Los resultados muestran que YOLOv11n ofrece el mejor equilibrio entre precisión y eficiencia, superando a los demás modelos evaluados. Faster R-CNN presenta un rendimiento inferior, comparable al de DINO, mientras que D-FINE logra una mayor precisión a costa de un consumo de recursos computacionales significativamente mayor. Estos resultados resaltan la importancia de seleccionar el modelo de detección en función del contexto de la aplicación y las restricciones operativas específicas del entorno agrícola.
Descargas
Referencias
Detectron2 facebook ai research (2021), https://github.com/facebookresearch/detectron2
Hugging face transformers deformable-detr (2022), https://huggingface.co/docs/transformers/v4.56.0/model_doc/deformable_detr
D-fine: Redefine regression task of detrs as fine-grained distribution refinement (2024), https://github.com/Peterande/D-FINE
Ali, M.L., Zhang, Z.: The yolo framework: A comprehensive review of evolution, applications, and benchmarks in object detection. Computers 13(12), 336 (2024)
Casas, E., Ramos, L., Bendek, E., Rivas, F.: Assessing the effectiveness of yolo architectures for smoke and wildfire detection. Ieee Access (2023). https://doi.org/10.1109/access.2023.3312217
Chang, Y.L., Amare, A., Chang, L., Wang, Y.C., Hsiao, C.Y., Lee, W.H.: Ship detection based on yolov2 for sar imagery. Remote Sensing (2019). https://doi.org/10.3390/rs11070786
Dalmasso, J., Montoya, M.A., Martínez, P.C., Millán, E.N.: Anthill detection in precision agriculture using machine learning. In: 2025 XXI Workshop on Information Procesing and Control (RPIC). pp. 1–5 (2025). https://doi.org/10.1109/RPIC67987.2025.11260763
Dang, L.M., Sagar, A.S., Bui, N.D., Nguyen, L.V., Nguyen, T.H.: Attention-guided marine debris detection with an enhanced transformer framework using drone imagery. Process Safety and Environmental Protection 197, 107089 (2025)
Diwan, T., Anirudh, G., Tembhurne, J.V.: Object detection using yolo: Challenges, architectural successors, datasets and applications. Multimedia Tools and Applications (2022). https://doi.org/10.1007/s11042-022-13644-y
Díaz-Gaxiola, E., Yee-Rendón, A., Vega-López, I.F., Campos-Leal, J.A., GarcíaAguilar, I., López-Rubio, E., Luque-Baena, R.M.: Experimental assessment of yolo variants for coronary artery disease segmentation from angiograms. Electronics (2025). https://doi.org/10.3390/electronics14132683
Gupta, A., Mhala, P., Mangal, M., Yadav, K., Sharma, S.: Traffic sign sensing: A deep learning approach for enhanced road safety (2024). https://doi.org/10.21203/rs.3.rs-3889986/v1
Hachchane, I., Badri, A., Sahel, A., Ruichek, Y.: Large-scale image-to-video face retrieval with convolutional neural network features. Iaes International Journal of Artificial Intelligence (Ij-Ai) (2020). https://doi.org/10.11591/ijai.v9.i1. pp40-45
He, C., Saha, P.: Investigating yolo models towards outdoor obstacle detection for visually impaired people. arXiv preprint arXiv:2312.07571 (2023). https://doi.org/10.21203/rs.3.rs-3733857/v1
Jocher, G., Qiu, J.: Ultralytics yolo11 (2024), https://github.com/ultralytics/ultralytics
Karunathilake, E.M.B.M., Le, A.T., Heo, S., Chung, Y.S., Mansoor, S.: The path to smart farming: Innovations and opportunities in precision agriculture. Agriculture (2023). https://doi.org/10.3390/agriculture13081593
Khachatrian, E., Sandalyuk, N., Lozou, P.: Eddy detection in the marginal ice zone with sentinel-1 data using yolov5. Remote Sensing (2023). https://doi.org/10.3390/rs15092244
Khan, S.A., Lee, H.J., Lim, H.: Enhancing object detection in self-driving cars using a hybrid approach. Electronics (2023). https://doi.org/10.3390/electronics12132768
Leiva, F., Rebeaud, S.G., Christen, D.: Real-time identification and quantification of apple scab on fruit in preharvest and postharvest conditions using yolov11: A deep learning approach (2025). https://doi.org/10.21203/rs.3.rs-7010152/v1
Li, F., Zhang, H., Liu, S., Guo, J., Ni, L.M., Zhang, L.: Dn-detr: Accelerate detr training by introducing query denoising. Ieee Transactions on Pattern Analysis and Machine Intelligence (2024). https://doi.org/10.1109/tpami.2023.3335410
Liu, X., Li, H.: A study on uav target detection and 3d positioning methods based on the improved deformable detr model and multi-view geometry. Advances in Mechanical Engineering (2025). https://doi.org/10.1177/16878132251315505
Millán, E.N., Montoya, M.A., Martinez, P.C., Dalmasso, J., Parlanti, T.S.: Imagenes de racimos de uva etiquetadas con formato YOLO (2025). https://doi.org/http://hdl.handle.net/11336/254683
Peng, Y., Li, H., Wu, P., Zhang, Y., Sun, X., Wu, F.: D-fine: Redefine regression task in detrs as fine-grained distribution refinement. arXiv preprint arXiv:2410.13842 (2024)
Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection (2016). https://doi.org/10.1109/cvpr.2016.91
Ren, S., He, K., Girshick, R., Sun, J.: Faster r-cnn: Towards real-time object detection with region proposal networks. Advances in neural information processing systems 28 (2015)
Sharma, N., Baral, S., Paing, M.P., Chawuthai, R.: Parking time violation tracking using yolov8 and deepsort (2023). https://doi.org/10.20944/preprints202305.0828.v1
Szira, Z., Varga, E., Csegődi, T.L., Milics, G.: The benefits, challenges and legal regulation of precision farming in the european union. Eu Agrarian Law (2023). https://doi.org/10.2478/eual-2023-0001
Tang, T., Zhou, S., Deng, Z., Zou, H., Lei, L.: Vehicle detection in aerial images based on region convolutional neural networks and hard negative example mining. Sensors (2017). https://doi.org/10.3390/s17020336
Terven, J., Córdova-Esparza, D., Romero-González, J.A.: A comprehensive review of yolo architectures in computer vision: From yolov1 to yolov8 and yolo-nas. Machine Learning and Knowledge Extraction (2023). https://doi.org/10.3390/make5040083
Tzutalin: Labelimg: A graphical image annotation tool to label object bounding boxes in images (2015), https://github.com/tzutalin/labelImg
Wang, D., Li, Z., Du, X., Ma, Z., Liu, X.: Farmland obstacle detection from the perspective of uavs based on non-local deformable detr. Agriculture (2022). https://doi.org/10.3390/agriculture12121983
Wang, J., Wang, H., Lai, H., Liu, F.X., Cui, B., Yu, W., Mao, Y., Yang, M., Yao, S.: A machine vision perspective on droplet-based microfluidics. Advanced Science (2025). https://doi.org/10.1002/advs.202413146
Wu, X., Sahoo, D., Hoi, S.C.H.: Recent advances in deep learning for object detection. Neurocomputing 396, 39–64 (2020). https://doi.org/10.1016/j.neucom.2020.01.085
Wu, Y., Kirillov, A., Massa, F., Lo, W.Y., Girshick, R.: Detectron2. https://github.com/facebookresearch/detectron2 (2019)
Yan, H., Chen, C., Jin, G., Zhang, J., Wang, X., Zhu, D.: Implementation of a modified faster r-cnn for target detection technology of coastal defense radar. Remote Sensing (2021). https://doi.org/10.3390/rs13091703
Zhang, H., Li, F., Liu, S., Zhang, L., Su, H., Zhu, J., Ni, L.M., Shum, H.Y.: Dino: Detr with improved denoising anchor boxes for end-to-end object detection (2022)
Zhou, Q., Liu, D., An, K.: Ese-yolov8: A novel object detection algorithm for safety belt detection during working at heights. Entropy (2024). https://doi.org/10.3390/e26070591
Zhu, X., Su, W., Lu, L., Li, B., Wang, X., Dai, J.: Deformable detr: Deformable transformers for end-to-end object detection. arXiv preprint arXiv:2010.04159 (2020)
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Paula Cecilia Martínez, Marcos Montoya, Julieta Dalmasso, Emmanuel N. Millán
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acorde a estos términos, el material se puede compartir (copiar y redistribuir en cualquier medio o formato) y adaptar (remezclar, transformar y crear a partir del material otra obra), siempre que a) se cite la autoría y la fuente original de su publicación (revista y URL de la obra), b) no se use para fines comerciales y c) se mantengan los mismos términos de la licencia.
