Impacto de los hiperparámetros en arquitecturas YOLO para identificar el tizón tardío en las hojas del cultivo de papa (Solanum tuberosum)

Abstract

El cultivo de papa es una actividad agrícola importante en el Ecuador y uno de los tubérculos más consumidas a nivel mundial, no obstante, se ve afectada por enfermedades foliares como el tizón tardío, la cual causa pérdidas económicas y afecta la producción. El Trabajo de Integración Curricular (TIC) tuvo como objetivo general “Determinar la precisión que se obtiene al ajustar YOLOv5 y YOLOv8, mediante la configuración de los hiperparámetros para identificar la enfermedad del tizón tardío en imágenes de hojas de papa”. Para lo cual se ejecutaron las fases, comprensión de los datos y negocio, ingeniería

de los datos, ingeniería de los modelos y evaluación de los modelos de la metodología CRISP- ML(Q). En la primera fase, se recopilaron cuatro datasets y se capturaron imágenes de hojas

de papa infectadas; en la segunda fase se, creó el dataset personalizado, al cual se aplicó limpieza de datos, redimensionamiento, estandarización, etiquetado, aumento de datos y división; en la tercera fase se seleccionó los modelos YOLOv5s y YOLOv8s, ajustando los hiperparámetros; learning rate, epochs, batch size, weight decay y optimizer, a través del método “Un Factor a La Vez” (OFAT). En las métricas de: precisión, recall, mAP@0.50, mAP@0.50:0.90 YOLOv5s logró un 94.01%, 91.94%, 96.59%, 76.99%, mientras que YOLOv8s obtuvo 93.66%, 94.27%, 97.09%, 79.91%, al identificar la enfermedad; en la cuarta fase se evaluó los modelos con el conjunto de pruebas, donde YOLOv8s obtuvo el mejor rendimiento con una precisión del 97.09%; posteriormente se desarrolló un prototipo web utilizando la metodología Cascada y el framework Flask para evaluar el modelo YOLOv8s. Por lo tanto, se logró desarrollar un prototipo que permite la identificación del tizón tardío en las hojas de papa en menor tiempo comparado al proceso manual y obteniendo una precisión del 97.65% en la detección de la enfermedad.