Article

Deep learning-based detection of Grapevine fanleaf virus in Türkiye: a comparative study of ROBOFLOW 3.0, YOLO-NAS, YOLOV11, and YOLOV12

Detecção do Grapevine fanleaf virus na Turquia baseada em aprendizagem aprofundada: um estudo comparativo de ROBOFLOW 3.0, YOLO-NAS, YOLOPV11 e YOLOV12

¹ Independent Researcher, 59200, Süleymanpaşa, Tekirdağ, Türkiye
² Plant Protection Department, Faculty of Agriculture, Sakarya University of Applied Science, 54050, Sakarya, Türkiye

^* Corresponding author: Tel.: +905053063638; e-mail: This email address is being protected from spambots. You need JavaScript enabled to view it.

Received: 16 June 2025
Accepted: 23 March 2026

Abstract

Grapevine fanleaf virus (GFLV) poses a significant phytopathological threat to global viticulture, demanding the development of rapid and accurate detection methodologies to mitigate economic losses. In this study, four deep learning-based object detection architectures were implemented and comparatively evaluated, ROBOFLOW 3.0 (Fast), YOLO-NAS (Accurate and Medium), YOLOv11 (Fast), and the latest YOLOv12 (Fast), for the automated identification of GFLV symptoms on grapevine leaves. A custom dataset comprising high-resolution images captured under diverse vineyard conditions was curated and meticulously annotated. YOLO models were trained on 100-350 epochs. Model performance was assessed using metrics such as Precision, Recall, Mean average precision at Intersection over Union (IoU)=0.5 (mAP@50), Mean average precision across IoU thresholds (mAP@50–95), and F1 score. Among the evaluated models, YOLOv11 Fast achieved the highest mAP@50 value (93.4%) and an F1 score of 88.3%. In comparison, ROBOFLOW 3.0 Fast reached a mAP@50 of 89.4% and an F1 score of 86%, YOLO-NAS Accurate achieved mAP 92.4% and F1 85.2%, and YOLO-NAS Medium obtained 91.9% and 85.3%, respectively. The latest version YOLOv12 Fast yielded mAP@50 91.3% and F1 86.5%. These results highlight the potential of next-generation YOLO architectures for high-throughput, real-time GFLV detection, offering a scalable and efficient solution for precision viticulture and integrated disease management.

Resumo

O Vírus do urticado da videira (Grapevine fanleaf virus - GFLV) representa uma ameaça fitopatológica significativa para a viticultura global, exigindo o desenvolvimento de metodologias de deteção rápidas e precisas a fim de mitigar perdas económicas. Neste estudo, foram implementados e avaliados comparativamente quatro modelos de deteção de objetos baseados em aprendizagem aprofundada: ROBOFLOW 3.0 (Fast), YOLO-NAS (Accurate and Medium), YOLOv11 (Fast) e o mais recente YOLOv12 (Fast), para a identificação automatizada de sintomas de GFLV em folhas de videira. Foi elaborado um conjunto de dados personalizado, composto por imagens de alta resolução captadas sob diversas condições em vinhedos, com anotações detalhadas. Os modelos YOLO foram treinados considerando 100 a 350 épocas. O desempenho dos modelos foi avaliado através de métricas como precisão, revocação (recall), média de precisão média para Intersection over Union (IoU)=0.5 (mAP@50), média de precisão média para múltiplos limiares de IoU (mAP@50–95) e F1 score. Entre os modelos avaliados, o YOLOv11 Fast alcançou o maior valor de mAP@50 (93,4%) e um F1 score de 88,3%. Em comparação, o ROBOFLOW 3.0 Fast atingiu um mAP@50 de 89,4% e um F1 score de 86%, enquanto o YOLO-NAS Accurate alcançou um mAP de 92,4% e F1 de 85,2%, e o YOLO-NAS Medium obteve 91,9% e 85,3%, respetivamente. A versão mais recente, YOLOv12 Fast, apresentou um mAP@50 de 91,3% e um F1 score de 86,5%. Esses resultados destacam o potencial das arquiteturas YOLO de nova geração para a detecção de GFLV em tempo real e em larga escala, oferecendo uma solução escalável e eficiente para a viticultura de precisão e o manejo integrado de doenças.