导读：
针对自然果园场景中，苹果幼果因通体青绿色、与叶片色调相近，且本身尺度偏小、分布密集又易被枝叶遮挡，检测时易出现漏检与误检的问题，文章提出了一种面向苹果幼果检测的改进型目标检测模型YOLO-Apple。该方法以YOLOv11n为基线，在主干C2PSA模块引入轻量特征增强单元Mona (C2PSA_Mona)以强化复杂背景下的特征映射能力，改造C3k2模块并在其增强块嵌入EMA注意力(C3k2_EMA)，提升特征表达与选择能力。实验采用来自新疆阿克苏市与石河子市等自然场景采集的5558张苹果幼果图像数据集，按7:2:1划分为训练、验证与测试集。结果表明，YOLO-Apple在测试集上实现P = 91.5%、R = 75.9%、F1 = 83.0、mAP@0.5 = 84.4%的检测性能，在6.5 GFLOPs计算量与2.6 M参数量的轻量级开销下优于多款主流对比模型；消融实验验证了C2PSA_Mona与C3k2_EMA模块的改进有效性，为自然果园苹果幼果检测提供了新方法。
作者信息：
韩昕辰, 安一文*, 武红欣：塔里木大学信息工程学院，新疆 阿拉尔；塔里木绿洲农业教育部重点实验室，新疆 阿拉尔
论文详情
在本研究中，数据集图像来自 AI Studio 的苹果幼果目标识别数据集。
YOLOv11n被选定为本研究的基线模型。通过对 C3k2 模块 和 C2PSA 模块进行针对性改进，构建得到 YOLO-Apple 检测模型，其结构图如图 2 所示。
C2PSA_Mona 的结构图如图 3 所示。
EMA 的结构如图 4 所示。
为选择出最佳模型，本研究使用多种评估指标用于评估模型的性能和计算效率，包括精确率 (Precision, P)、召回率(Recall, R)、mAP@0.5、F1 分数(F1-score)、计算量(GFLOPs)和参数量(Parameters) 等。
所有实验均在同一台设备上进行，该设备配备 AMD5500 处理器，NVIDIA GeForce RTX 5080 显卡， 该显卡具有 16 GB 显存，所使用系统为 Ubuntu 22.04，内存为 48 GB。在实验环境上，使用 Python 3.11.5、 CUDA12.8 和 PyTorch 2.9.1 作为框架。在训练设置上，图片大小为 640 × 640，训练轮次为 200 轮，使用 SGD 作为优化器，批量大小设置为 8。
为验证所提出模块对苹果幼果检测性能的贡献，本文以基线模型(YOLOv11n)为对照，逐步引入各模 块进行消融实验，结果如表 1 所示。
为验证 YOLO-Apple 模型在苹果幼果检测中的性能优势，本研究选取了多种主流的目标检测算法作 为对比实验，包括 YOLOv8n、YOLOv9-tiny、YOLOv10n、YOLOv12n和 YOLOv13n。实验结果如表 2 所示。
本研究针对苹果幼果小目标、遮挡与密集分布等检测难点，提出检测模型 YOLO-Apple。在实验数据 集上，YOLO-Apple 在保持较低复杂度(6.5 GFLOPs，2.6 M 参数)的前提下取得最佳综合性能：P = 91.5%、R = 75.9%、F1 = 83.0、mAP@0.5 = 84.4%。与多种主流轻量模型对比，YOLO-Apple 的 mAP@0.5 相比最 优基线提升约 2.0%，召回率也达到最高，说明其对幼果漏检抑制更有效。消融实验进一步表明，逐步引 入 C2PSA_Mona 与 C3k2_EMA 可稳定提升检测效果，最终在几乎不增加参数量的情况下实现精度与召 回的同步改善。
基金项目：
塔里木大学校长基金胡杨英才项目(TDZKSS202341)