Résumé
Une estimation précoce et précise du rendement des cultures de café revêt une importance croissante pour les producteurs, car elle facilite la prise de décisions en matière de gestion agricole et permet d’établir plus tôt des relations avec les coopératives et les négociants. Dans cette étude, nous avons développé et évalué une approche basée sur l’apprentissage profond pour détecter les cerises de café sur chaque branche à partir d’images en couleur acquises sur le terrain au Nicaragua. Nous avons comparé les architectures nano (n) et extra-large (x) de cinq modèles de détection d'objets : le Baidu Real-Time Detection Transformer (RTDeTr2), YOLOv8, YOLOv11, YOLOv12 et YOLOv26. Les modèles ont été entraînés sur un ensemble de données de 180 images contenant environ 72 000 cerises de café annotées et évalués sur sept ensembles de données de test indépendants collectés sur un gradient altitudinal allant de 726 à 1 110 m. Les performances de détection ont d'abord été évaluées à l'aide de l'indicateur F1-score sans contrainte de temps. Les architectures YOLOv8, YOLOv11 et YOLOv12 ont atteint la plus grande précision de détection, avec un score F1 moyen d’environ 95,5 %, tandis que YOLOv26 et RTDeTr2 ont obtenu des performances inférieures avec un score F1 moyen de 93,5 % (±0,8 %). Cependant, aucune architecture n’a systématiquement surpassé les autres sur l’ensemble des ensembles de données de test.Nous avons introduit un indicateur complémentaire, le δ-score, conçu pour mesurer l'équilibre entre le rappel et la précision. Selon les indicateurs sans contrainte de temps, YOLOv12n a atteint les meilleures performances (score F1 de 95,5 %, score δ de 91,29 %), suivi de près par YOLOv11n (score F1 de 95,45 %, score δ de 91,21 %). Lorsque le temps de traitement moyen par image a été intégré aux indicateurs de performance chronométrés, YOLOv11n a atteint le meilleur compromis entre précision de détection et efficacité de calcul (score F1 chronométré de 82,9 %, score δ chronométré de 78,23 %), suivi par YOLOv12n.Les nano-architectures se sont révélées suffisamment efficaces pour constituer la première étape des solutions d'estimation du rendement sur le terrain.