Modelli di Deep Learning Valutati su un Dataset Agricolo Africano del Mondo Reale

Uno studio recente pubblicato su arXiv (2608.11053) valuta sei modelli di rilevamento degli oggetti—YOLOv5, YOLOv8, YOLO11, YOLO26, Faster R-CNN e RT-DETR—utilizzando un dataset del mondo reale chiamato AgriAISeg, raccolto manualmente da fattorie in Nigeria. Questo dataset è composto da 3.382 immagini di colture di sesamo, cavolo e pomodoro, scattate in diverse condizioni ambientali, come illuminazione variabile, occlusione e diverse angolazioni. I modelli sono stati addestrati e valutati in base a precisione, recall, mAP@0.5 e mAP@0.5:0.95. I risultati indicano che RT-DETR ha fornito i migliori risultati complessivi, raggiungendo una precisione di 0,768 e un mAP@0.5:0.95 di 0,624. La ricerca sottolinea il potenziale della visione artificiale in agricoltura, soprattutto in aree meno rappresentate come l'Africa, affrontando la mancanza di dataset controllati che rispecchiano scenari agricoli reali.