DINOv3 встречается с YOLO26 для обнаружения сорняков в овощных культурах

Разработка надёжных моделей для точного удаления сорняков в овощных культурах в настоящее время ограничена нехваткой крупномасштабных аннотированных наборов данных «сорняк–культура». Для решения этой проблемы в этом исследовании предлагается базовая модель обнаружения культур и сорняков путем интеграции разнородных наборов данных и использования самообучения (self-supervised learning). Всего было первоначально собрано 618 642 изображения культур и сорняков, которые затем были отфильтрованы до 199 388 изображений для дообучения визуального трансформера DINOv3 (ViT-small) с помощью последовательной стратегии курирования. Дообученная DINOv3 используется в качестве бэкбона в YOLO26 как основной бэкбон или в составе архитектуры с двумя бэкбонами. В рамках схемы с двумя бэкбонами введён функционал выравнивания признаков (feature alignment loss) для улучшения слияния признаков при минимальных вычислительных затратах. Экспериментальные результаты показывают, что предложенный YOLO26-large на базе ViT-small, дообученного DINOv3, обеспечил прирост mAP50 до +5,4% на изображениях внутри домена, собранных в сезоне 2025 года. Кроме того, модель продемонстрировала сильную кроссдоменную обобщаемость с повышением mAP50 на +14,0% на наборе данных за сезоны 2021–2023 годов и на +11,9% на наборе данных за сезон 2024 года по сравнению со стандартным YOLO26-large. При этом модель DINOv3–YOLO26-large имеет на 45,6% больше параметров и увеличивает задержку вывода в 2,9 раза, но сохраняет режим реального времени примерно 28,5 кадров в секунду (fps). Курированный набор данных и программное обеспечение, разработанные в этом исследовании, будут опубликованы в открытом доступе.