YOLO ile Tarımsal Ürün ve Yabani Bitki Sınıflandırması: Yeni Bir Veri Seti ve Farklı Stratejilerin Tespit Başarılarının Karşılaştırılması

Öz

Tarımsal üretimde verimliliği düşüren en önemli faktörlerden biri, kültür bitkileriyle rekabete girerek kaynak tüketimine neden olan yabani bitkilerdir. Bu bitkilerin erken evrede tespiti ve mücadelesi, sürdürülebilir tarım için kritik öneme sahiptir. Bu çalışmada, tarımsal ürünlerin (elma, havuç, kabak, marul) ve yabani bitkilerin tespiti amacıyla YOLOv8 tabanlı bir derin öğrenme yaklaşımı sunulmuştur. Çalışmanın özgünlüğü, sadece nesne tespitine değil, aynı zamanda eğitim stratejilerinin performans üzerindeki etkisine odaklanmasında yatmaktadır. Bu kapsamda, sınıfların ayrı ayrı ve toplu olarak eğitildiği iki farklı stratejinin başarımları karşılaştırılmıştır. Ayrıca, çalışma kapsamında toplanan 200 adet özgün görüntü, veri artırma yöntemleriyle 1200 adede çıkarılarak yeni bir veri seti oluşturulmuş ve literatürün kullanımına sunulmuştur. Deneysel sonuçlar, ayrı eğitim stratejisinin sınıflar arası karışıklığı minimize ederek %99,2 mAP değerine ulaştığını, toplu eğitimde ise bu oranın %96,5 seviyesinde gerçekleştiğini göstermiştir. Bulgular, YOLOv8 mimarisinin tarımsal nesne tespitinde yüksek potansiyele sahip olduğunu, ancak karmaşık sahnelerde eğitim stratejisinin başarım üzerinde belirleyici bir rol oynadığını ortaya koymaktadır.

Anahtar Kelimeler

• Derin öğrenme
• YOLO
• yabani bitki tespiti
• tarımsal ürün tespiti

Agricultural Crop and Wild Plant Classification with YOLO: A New Dataset and Comparison of Detection Success of Different Strategies

Öz

One of the most significant factors reducing productivity in agricultural production is weeds, which compete with cultivated crops and cause excessive consumption of essential resources. Early detection and control of these plants are critical for sustainable agriculture. In this study, a YOLOv8-based deep learning approach is proposed for the detection of agricultural crops (apple, carrot, zucchini, lettuce) and weeds. The originality of the study lies not only in object detection but also in its focus on the impact of training strategies on performance. In this context, the performances of two different strategies—training classes separately and training them collectively—were compared. Additionally, 200 original images collected within the scope of the study were expanded to 1,200 images through data augmentation techniques, forming a new dataset that has been made available to the literature. Experimental results showed that the separate training strategy minimized inter-class confusion and achieved a mAP of 99.2%, whereas the collective training strategy reached 96.5%. The findings demonstrate that the YOLOv8 architecture has high potential for agricultural object detection; however, in complex scenes, the training strategy plays a decisive role in overall performance.

Anahtar Kelimeler

• Deep learning
• YOLO
• wild plant detection
• agricultural crops detection

Kaynakça

1. Şin B, Kadıoğlu İ. İnsansız hava aracı (İHA) ve görüntü işleme teknikleri kullanılarak yabancı ot tespitinin yapılması. Turkish Journal of Weed Science, vol. 22, no. 2, pp. 211-217, 2019.
2. Günal H, Budak M. Toprak kalitesi ve değerlendirilmesi. IKSAD Yayınevi, 2022.
3. Çolak EŞ, Işık D. Yabancı otlar ile mücadelede güncel yöntem: Robotikler. Turkish Journal of Weed Science, vol. 24, no. 2, pp. 166-176, 2021.
4. Kavut S. Türkiye’de yapay zekâ alanında yazılan tezlerin içerik analizi yöntemiyle incelenmesi. Türkiye İletişim Araştırmaları Dergisi, no. 41, pp. 80-98, 2022.
5. Ağın O, Malaslı MZ. Görüntü işleme tekniklerinin sürdürülebilir tarımdaki yeri ve önemi: Literatür çalışması. Tarım Makinaları Bilimi Dergisi, vol. 12, no. 3, pp. 199-206, 2016.
6. Aalami N. Derin öğrenme yöntemlerini kullanarak görüntülerin analizi. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, vol. 1, no. 1, pp. 17-20, 2020.
7. Alemdar KD. Çift sıra parklanma durumunun nesne tespit algoritması YOLOv8 ile tespit edilmesi. Journal of the Institute of Science and Technology, vol. 14, no. 3, pp. 1164-1176, 2024.
8. Silva J. A. O. S., Siqueira V. S. D., Mesquita M., Vale L. S. R., Marques T. D. N. B., Silva J. L. B. D., Oliveira, H. F. E. D. Deep learning for weed detection and segmentation in agricultural crops using images captured by an unmanned aerial vehicle. Remote Sensing, vol. 16, no. 23, p. 4394, 2024.

9. Liu Y, Zeng F, Diao H, Zhu J, Ji D, Liao X, Zhao Z. YOLOv8 model for weed detection in wheat fields based on a visual converter and multi-scale feature fusion. Sensors (Basel, Switzerland), vol. 24, no. 13, p. 4379, 2024.
10. Ramalingam K, Pazhanivelan P, Jagadeeswaran R, Prabu P. YOLO deep learning algorithm for object detection in agriculture: A review. Journal of Agricultural Engineering, vol. 55, no. 4, 2024.
11. Kamilaris A, Prenafeta-Boldú FX, A review of the use of convolutional neural networks in agriculture. The Journal of Agricultural Science, vol. 156, no. 3, pp. 312-322, 2018.
12. Baran MF, Kahya E, Seydoşoğlu S. YOLO derin öğrenmenin tarımsal uygulama örnekleri. International Conference On Global Practice Of Multidisciplinary Scientific Studies. Havana, Cuba. 2025.
13. Bağcı M. Mısır tarlasında görüntü işleme yöntemi ile yabancı otların tespiti. Yüksek Lisans Tezi. Pamukkale Üniversitesi. 2024.
14. Çiçek Y, Uludağ A, Gülbandılar E. Şeker pancarı üretiminde kullanılan yapay zekâ teknikleri. Eskişehir Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, vol. 3, no. 2, pp. 54-59, 2022.
15. Mustafa G. Tokat bölgesi buğday üretiminde bazı yabancı otların derin öğrenme yöntemi ile tespit edilmesi. Doktora Tezi. Tokat Gaziosmanpaşa Üniversitesi. 2022.
16. Dulkadir S, Gültekin GK. Tarımsal otomasyon sistemleri için muz olgunluk seviyelerinin derin öğrenme yöntemleri ile sınıflandırılması. EMO Bilimsel Dergi, vol. 13, no. 3, pp. 27-34, 2023.
17. Kahya E, Aslan Y. Derin öğrenme destekli gerçek zamanlı zeytin tespiti uygulaması. Osmaniye Korkut Ata Üniversitesi Fen Bilimleri Enstitüsü Dergisi, vol. 7, no. 4, pp. 1438-1454, 2024.
18. Tavus B, Karataş K, Türker M. Tarımsal alanlarda yüksek çözünürlüklü IKONOS uydu görüntüsünden nesne-tabanlı ürün deseni tespiti. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 25, no. 5, pp. 603-614, 2019.
19. Altaş Z, Özgüven MM, Yanar Y. Bitki hastalık ve zararlı düzeylerinin belirlenmesinde görüntü işleme tekniklerinin kullanımı: Şeker pancarı yaprak leke hastalığı örneği. International Erciyes Agriculture, Animal & Food Sciences Conference. Kayseri. Türkiye. 2019.
20. Solak S, Altınışık U. Görüntü işleme teknikleri ve kümeleme yöntemleri kullanılarak fındık meyvesinin tespit ve sınıflandırılması. Sakarya University Journal of Science, vol. 22, no. 1, pp. 56-65, 2018.
21. Ajayi OG, Ashi J, Guda B. Performance evaluation of YOLO v5 model for automatic crop and weed classification on UAV images. Smart Agricultural Technology, vol. 5, p. 100231, 2023.
22. Kılıç AE. Transfer öğrenme tabanlı açıklanabilir derin öğrenme yöntemleri kullanılarak bitki hastalıklarının sınıflandırılması. Yüksek Lisans Tezi. Necmettin Erbakan Üniversitesi. 2024.