Implementación de modelo yolo, para la detección temprana de la enfermedad mancha en red en cultivo de cebada cervecera municipio Paipa, Boyacá

Abstract

La Mancha en Red, causada por el hongo Pyrenophora teres, limita la producción de cebada cervecera en Paipa, Boyacá. Su diagnóstico tradicional depende de la inspección visual, un método tardío y subjetivo. Este estudio evaluó el desempeño y la generalización de modelos de Deep Learning basados en Visión por Computador para la detección temprana de la enfermedad en condiciones reales de campo. Se implementó la arquitectura YOLOv11 mediante aprendizaje por transferencia, utilizando imágenes primarias recolectadas en campo y optimizadas con aumento de datos (mosaic augmentation). Se evaluaron comparativamente las variantes YOLOv11 Nano y Small usando métricas de precisión, sensibilidad (Recall), mAP y tiempo de inferencia. Los resultados mostraron que YOLOv11 Small alcanzó alta precisión pero sufrió sobreajuste, limitando su generalización. En contraste, YOLOv11 Nano demostró mayor sensibilidad para identificar focos infecciosos y un menor tiempo de inferencia, ideal para entornos con restricciones computacionales. Se concluye que YOLOv11 Nano es una alternativa viable y eficiente para la detección temprana de la enfermedad. Este trabajo resalta la importancia de equilibrar la complejidad del modelo con el tamaño del dataset, sentando las bases para sistemas de alerta fitosanitaria en agricultura de precisión.