Fig Fruit Variety Prediction from Fig Sapling Leaf Using YOLO v11

Öz

Figs are among Turkey’s flagship export fruits. With roughly a 30% global share in fresh and dried fig production, Turkey leads worldwide. Since 1–2-year-old saplings typically take 3–4 years to start bearing fruit, the return on orchard establishment is delayed, and sapling procurement dominates upfront costs. When high-quality, true-to-type saplings are used under suitable conditions, yield per unit area can increase substantially; consequently, verifying varietal correctness at the outset is crucial. This study aims to validate—in order to minimize potential producer losses—the varietal accuracy of fig saplings from leaf images using image processing and deep learning. We collected approximately 200 leaf photos per variety for widely cultivated Turkish cultivars (Sarızeybek, Sarılop, Bardakçı, Yeşilgüz, Siyah Orak, Beyaz Orak, Morgüz), compiling 1,400 images and expanding them to 29,400 via rotation/flip, brightness–contrast adjustment and resizing. For variety classification we adopted YOLOv11 from the widely used YOLO object-detection family. Five distinct models were trained; each reached 99% mAP50. Results indicate a fast, stable and highly accurate model.

Anahtar Kelimeler

• Fig Sapling
• Leaf Classification
• YOLOv11
• Deep Learning
• Variety Recognition

YOLO v11 Kullanılarak İncir Fidan Yaprağından Meyve Çeşit Tahmini

Öz

İncir yetiştiriciliğinde bahçe tesisinin en kritik aşamalarından biri, ismine doğru fidan kullanımıdır. Yanlış çeşit dikimi, üreticinin 3–4 yıllık verim bekleme sürecinde ciddi ekonomik kayıplara yol açmaktadır. Bu çalışmada, incir fidanlarının yaprak görüntülerinden çeşidinin otomatik olarak belirlenmesi amacıyla modern görüntü işleme ve derin öğrenme teknikleri kullanılarak kapsamlı bir sınıflandırma modeli geliştirilmiştir. Sarılop, Sarızeybek, Bardakçı, Yeşilgüz, Morgüz, Siyah Orak ve Beyaz Orak olmak üzere ülkemizde yaygın üretilen yedi çeşit için toplam 1.400 özgün yaprak görüntüsü toplanmış; rotasyon, parlaklık-kontrast, yeniden boyutlandırma ve ayna yansıtma gibi veri artırma teknikleri uygulanarak veri seti 29.400 örneğe çıkarılmıştır. YOLOv11 mimarisinin beş varyantı (YOLO11n/s/m/l/x) aynı veri seti üzerinde eğitilerek karşılaştırılmış, tüm modellerde mAP50 %99 seviyesine ulaşılmıştır. Model performansları standart sapma, kayıp fonksiyonu eğrileri ve karışıklık matrisleri ile istatistiksel olarak analiz edilmiş; YOLOv11x modelinin en yüksek doğruluğu gösterdiği belirlenmiştir. Çalışma, incir fidanı çeşit doğrulama sürecini otomatikleştiren, yüksek doğrulukta ve hızlı çalışabilen bir yapay zekâ sistemi ortaya koymakta olup, sektörde üretici kayıplarının azaltılmasına katkı sağlayacaktır.

Anahtar Kelimeler

• İncir Fidanı
• İncir Çeşidi
• YOLOv11
• Derin Öğrenme
• Yaprak Sınıflandırma

Kaynakça

1. Çalışkan, O., Polat, A. A., (2012). “Morphological diversity among fig (Ficus carica L.) accessions sampled from the Eastern Mediterranean Region of Turkey”, Turkish Journal of Agriculture and Forestry, 36 (2): 179-193. https://doi.org/10.3906/tar-1102-33
2. Food and Agriculture Organization of the United Nations. FAOSTAT — Crops Production: Figs (Ficus carica). Erişim: https://www.fao.org/faostat/
3. Saygılı, F., Kaya, A. A. Çalışkan, E. T., Kozal, Ö. E. İzmir Ticaret Borsası, (2019), TÜRK TARIMININ GLOBAL ENTEGRASYONU VE TARIM 4.0, İzmir Ticaret Borsası, ISBN 978-605-137-710-0, Ocak, İzmir.
4. İzmir Ticaret Borsası. (2019). İncir Sektör Raporu. İzmir. Erişim: https://itb.org.tr
5. Ülkümen, L., Özbek, S., & İleri, M. (1948). İncir ve hastalıkları. Yüksek Ziraat Enstitüsü Basımevi, Ankara.
6. Karamürsel, D., Öztürk, F. P., Kaçal, E., Bayav, A., Emre, M., Oğuz, C., Karamürsel, Ö. F., Akol, S., Sarisu, A., & Altindal, M., (2018). “Meyve Fidanı Üreten İşletmelerin Sektöre Bakış ve Beklentileri”, Kahramanmaraş Sütçü İmam Üniversitesi Tarım ve Doğa Dergisi.
7. Garcia-Garcia, A., Orts-Escolano, S., Oprea, S., Villena-Martinez, V., Martinez-Gonzalez, P., & Garcia-Rodriguez, J., (2018). A survey on deep learning techniques for image and video semantic segmentation. Applied Soft Computing, 70, 41-65.
8. Çalışkan, D., Demir, Ö., (2022). “Derin Öğrenme Yöntemleri İle Şüpheli Davranış Tespiti”, International Periodical of Recent Technologies in Applied Engineering, 3(1), 28-43.

9. Aktaş, A. (2020). “Derin Öğrenme Yöntemleri ile Görüntü İşleme Uygulamaları”, Yüksek Lisans Tezi, Marmara Üniversitesi, Fen Bilimleri Enstitüsü, 82, İstanbul.
10. Deepalakshmi, P., Prudhvi Krishna T., Siri Chandana S., Lavanya K., Srinivasu, P. N., (2021). “Plant Leaf Disease Detection Using CNN Algorithm”, International Journal of Information System Modeling and Design (IJISMD), 12(1), 1-21.
11. Jin, X., Sun, Y., Che, J., Bagavathiannan, M., Yu, J., & Chen, Y. (2022). A novel deep learning-based method for detection of weeds in vegetables. Pest Management Science, 78(5), 1861–1869. https://doi.org/10.1002/ps.6804
12. Medojević, S., (2024), “Potato Leaf Disease Detection Using Faster R-CNN and YOLO Models”, IJMSIT, c. 8, sy. 2, ss. 144–150.
13. Türkoğlu, M. (2019). Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma. Doktora, İnönü Üniversitesi Fen Bilimleri Enstitüsü, Malatya.
14. Chouriya, A., Soni, P., Thomas, E. v., Mahore, V., Patidar, P., & Nagar, H., (2023). Detection of Cotton Plants Using the YOLOv7 Deep Learning Model. 2023 2nd International Conference on Futuristic Technologies, INCOFT 2023. https://doi.org/10.1109/INCOFT60753.2023.10425263
15. Dewi, C., Chen, A. P. S., Christanto, H. J., (2023). “Recognizing Similar Musical Instruments with YOLO Models”, Big Data and Cognitive Computing, 7(2), 94.
16. Anonim, (2025). “Nesne Algılama”. Ultralytics YOLO Dokümanları. https://docs.ultralytics.com/tasks/detect/, Son Erişim Tarihi: 10.01.2025.
17. Anonim, (2024). “Ultralytics YOLO11”. Ultralytics YOLO Dokümanları. https://docs.ultralytics.com/tasks/detect/, Son Erişim Tarihi: 10.12.2024.
18. Özbek, S., (1978). Özel Meyvecilik (Kışın Yaprağını Döken Meyve Türleri). Adana: Çukurova Üniversitesi Ziraat Fakültesi Yayınları.
19. Anonim, (2020). İncir Araştırma Enstitüsü Müdürlüğü Yıllık Faaliyet Raporu.
20. Otsu, N., (1975) A Threshold Selection Method from Gray-Level Histograms. Automatica, 11, 23-27.
21. Alimovski, E., Erdemir, G. (2021). “Veri Artırma Tekniklerinin Derin Öğrenmeye Dayalı Yüz Tanıma Sisteminde Etkisi”, İstanbul Sabahattin Zaim Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(1). 76-80.
22. Qiao, Y., Li, G., Zhao, Y. (2024). Advances in YOLO-Based Object Detection Models. Computer Vision Review, 12(3), 112–140.
23. Li, H., Xu, Z., & Zhang, T. (2024). YOLOv11: Architecture Enhancements and Performance Benchmarks. Journal of Artificial Intelligence Systems, 9(2), 55–78.
24. Ahmed, S., & Prakash, R. (2023). Evolution of YOLO Models for Real-Time Detection. International Journal of Deep Learning Research, 6(1), 30–52.
25. Ramos, D., et al. (2025). YOLO11 for Fruitlet Detection in Orchard Environments. Precision Agriculture Research, 18(2), 77–95.
26. Al-Harbi, A., & Osman, K. (2025). Comparative Evaluation of YOLOv8–YOLOv11 in Agricultural Vision. Sensors, 25(4), 2210.
27. Rodríguez-Lira, J. et al. (2024). Leaf Disease and Leaf-Type Classification using YOLO11. Plant Phenotyping Journal, 3(1), 55–68.
28. Sapkota, R. et al. (2024). Performance of YOLOv11 in UAV-Based Fruit Detection. Remote Sensing in Agriculture, 11(9), 522–540.
29. Chen, X., & Liu, M. (2021). Impact of Data Augmentation on Leaf Classification. Computers in Biology and Agriculture, 88, 101–115.
30. Huang, Z. (2025). YOLOv11 and SAM for Strawberry Canopy Estimation. Computers & Electronics in Agriculture, 224, 108–129.
31. Nguyen, T., & Pham, D. (2025). Leaf Similarity Challenges in Deep Classification Models. Plant Intelligence Letters, 2(1), 45–60.
32. Jeong, Y., et al. (2022). Fruit Counting with YOLOv7 in Natural Conditions. Horticulture Technology, 32(6), 201–214.
33. Gao, L., et al. (2021). Plant Disease Detection Using YOLO Variants. Agricultural Informatics, 14(3), 88–103.
34. Wei, N., et al. (2023). Comparing Lightweight YOLO Models in Orchard Scenarios. Applied Plant Vision, 9(4), 310–330.
35. Tang, W., Chen, S. (2025). Mobile Deployment of YOLOv11 Using Quantized Architectures. Mobile AI Systems, 7(2), 122–139.
36. Yu, K., et al. (2024). Energy-Efficient YOLO Models on Edge Devices. IoT Computing Journal, 11(5), 411–430.
37. Elhalid, M., et al. (2025). Human-in-the-Loop Learning for Agricultural Vision Systems. Journal of Smart Agriculture, 14(1), 1–19.