点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID计算机视觉研究院学习群扫码在主页获取加入方式https://arxiv.org/pdf/2603.00160计算机视觉研究院专栏Column of Computer Vision Institute本文提出DINOv3-YOLO26混合框架用自监督大模型 轻量化检测器大幅提升跨季节、跨场景杂草检测精度实测保持实时推理落地田间更可行PART/1痛点数据稀缺大规模标注杂草 - 作物数据集太少模型难训练。泛化差同模型换年份、换地块、换光照精度直接暴跌。要快又要准除草机器人必须实时检测传统大模型跑不动。常规 YOLO 系列速度快但特征弱Transformer 精度高但速度慢如何兼顾PART/2方案DINOv3 YOLO26强强联合1. 超大数据清洗与微调整合多源数据集初筛 61 万 图像最终精选199,338 张高质量图。用分层聚类、图像分块、绿色像素过滤打造专用微调数据集。对DINOv3 ViT-small进行自监督微调提取更强农田视觉特征。DINOv3 训练与评估流程2. 双架构设计灵活适配单骨干版用 DINOv3‑ViT 直接替换 YOLO26 主干强语义 快检测。双骨干版原生 YOLO 主干 DINOv3 辅助分支多尺度特征融合。新增特征对齐损失让两支特征更兼容几乎不增加算力负担。DINO‑YOLO26 整体训练与测试流程3. 适配农田的模型优化改用DFL 回归损失去掉冗余注意力模块提升小杂草检测。输入分辨率提升到800×800适配高清田间图像。全程SGD 优化器更稳定收敛。PART/3结果结果精度暴涨实时可用1. 分类能力微调后显著提升DINOv3‑ViT‑small 线性探测准确率官方 ViT平均 87.7%微调 Gram 锚定89.94%作物识别接近 97%2. 检测精度碾压原版 YOLO26模型组件消融实验结果原版 YOLO26mAP5084.9%DINO‑YOLO2692.3%提升 5.4%mAP50:95 从 63.2%→72.3%小杂草检出大幅变强3. 跨季节泛化真正 “田间能用”多年份数据集性能对比2021–2023 数据集14.0% mAP502024 数据集11.9% mAP50模糊、低光照、跨作物场景稳定性拉满4. 速度保持实时推理参数仅增加45.6%推理延迟≈35.1ms帧率≈28.5fps满足机器人实时作业PART/4结论与价值DINOv3‑YOLO26是蔬菜田杂草检测的强泛化、高精度、实时可用方案。自监督微调 数据清洗大幅降低标注依赖。单骨干架构最优准度最高、速度够用、部署简单。数据集与代码将开源推动智能除草技术普及。未来通过模型压缩、知识蒸馏可进一步提速让低成本边缘设备也能跑超强杂草检测模型。有相关需求的你可以联系我们END转载请联系本公众号获得授权计算机视觉研究院学习群等你加入ABOUT计算机视觉研究院计算机视觉研究院主要涉及深度学习领域主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架提供论文一键下载并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程让大家真正体会摆脱理论的真实场景培养爱动手编程爱动脑思考的习惯往期推荐YOLO-TLA一种基于 YOLOv5 的高效轻量级小目标检测模型ViT-YOLO基于Transformer的用于目标检测的YOLO算法SSMA-YOLO一种轻量级的 YOLO 模型具备增强的特征提取与融合能力适用于无人机航拍的船舶图像检测LUD-YOLO一种用于无人机的新型轻量级目标检测网络Gold-YOLO基于聚合与分配机制的高效目标检测器Drone-YOLO一种有效的无人机图像目标检测「无人机AI」“空中城管”无人机AI光伏巡检自动化解决方案无人机视角下多类别船舶检测及数量统计机场项目解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题2PCNet昼夜无监督域自适应目标检测附原代码YOLO-S小目标检测的轻量级、精确的类YOLO网络大改Yolo框架 | 能源消耗极低的目标检测新框架附论文下载改进的检测算法用于高分辨率光学遥感图像目标检测