AI Summary & Key Takeaways
AI InsightIn conclusion, with the improvements made, YOLOv8 has become a reliable tool for disease detection and early intervention in the agricultural sector.
📌 3 Key Takeaways
Abstract
The agricultural sector faces significant challenges in achieving sustainable production and increasing productivity due to the growing global population and environmental factors. The increasing population, along with plant diseases and yield losses, complicates management efforts. If plant diseases are not detected in a timely manner, they can spread rapidly, leading to substantial losses. Early detection, intervention, and prevention of environmental damage are crucial, as they reduce treatment costs. Traditional methods are time-consuming and inefficient, whereas artificial intelligence and deep learning-based algorithms offer faster and more accurate detection capabilities. Interventions made at the right time improve productivity and support sustainable agriculture. This paper examines the application of the YOLOv8 algorithm in detecting tomato fruit diseases and its potential contribution to sustainability in agriculture. YOLOv8 is a model capable of detecting diseases, pests, and stress symptoms quickly and accurately. Two studies were conducted in this paper, and the causes of the shortcomings in the first study were identified, leading to significant improvements in the second study that enhanced the model’s performance. The precision reached 0.93, recall was 0.90, and the F1-score achieved high levels. This success was achieved by limiting the number of epochs to 50 during training, optimizing data augmentations, and including the ripeness stages of tomatoes in the training data. In conclusion, with the improvements made, YOLOv8 has become a reliable tool for disease detection and early intervention in the agricultural sector. These enhancements significantly contribute to reducing yield losses and offer substantial benefits to agricultural production.
Özet
Tarım sektörü, artan dünya nüfusu ve çevresel faktörler nedeniyle sürdürülebilir üretim ve verimlilik artırma konusunda önemli zorluklarla karşı karşıyadır. Artan nüfus, bitki hastalıkları ve verim kayıplarıyla mücadele etmeyi zorlaştırmaktadır. Bitki hastalıkları zamanında tespit edilmezse hızla yayılıp büyük kayıplara yol açabilmektedir. Erken tespit, müdahale ve çevresel zararları engellemeyi sağlar, tedavi maliyetlerini düşürür. Geleneksel yöntemler zaman alıcı ve verimsizken, yapay zeka ve derin öğrenme tabanlı algoritmalar daha hızlı ve doğru tespit imkanı sunar. Doğru zamanlamada yapılan müdahale, verimliliği artırır ve sürdürülebilir tarımı destekler. Bu makale, YOLOv8 algoritmasının domates meyvesi hastalıklarını tespit etme uygulamaları ve tarımda sürdürülebilirliği nasıl destekleyeceğini incelemektedir. YOLOv8, hastalıklar, zararlılar ve stres belirtilerini hızlı ve doğru bir şekilde tespit edebilen bir modeldir. Makale kapsamında iki çalışma gerçekleştirilmiş olup, ilk çalışmadaki eksikliklerin nedenleri belirlenerek, ikinci çalışmada yapılan iyileştirmelerle modelin performansı önemli ölçüde artırılmıştır. Precision değeri 0.93, Recall değeri 0.90 ve F1-Score yüksek seviyelere ulaşmıştır. Bu başarı, eğitim sürecinde epoch sayısının 50 ile sınırlandırılması, veri augmentasyonlarının optimize edilmesi ve domateslerin olgunluk seviyelerinin eğitim verisine eklenmesiyle sağlanmıştır. Sonuç olarak, yapılan iyileştirmeler sayesinde YOLOv8, tarım sektöründe hastalık tespiti ve erken müdahale için güvenilir bir araç olarak kullanılabilir hale gelmiştir. Bu iyileştirmeler, verim kaybını azaltarak tarımsal üretimde önemli katkılar sunmaktadır.