صنعت کشاورزی به عنوان یکی از بزرگترین صنایع جهان، تأثیر بسیار حیاتی بر زندگی مردم دارد. پیشرفت و استفاده از فناوریهای نو در این حوزه از اهمیت بسیار بالایی برخوردار است. تخمین میزان باردهی یک محصول میتواند روشی دقیق و سریع برای پیشبینی شرایط لازم برای برداشت، فروش و انبار محصول باشد. تشخیص و شمارش میوه نقش مهمی در پیشبینی عملکرد، تخصیص منابع و فرایندهای تصمیمگیری برای کشاورزان دارد و گامی مهم در جهت خودکارسازی فرایندهای برداشت است. این پژوهش به بررسی عملکرد مدلهای الگوریتم YOLO11 در شناسایی و تخمین کمّی محصول سیب در شرایط محیطی و مورفولوژیکی متنوع میپردازد. از یک مجموعهداده نوآورانه شامل تنوع نورپردازی و مراحل رشدی مختلف استفاده شده است که با برچسبگذاریهای جعبه محدودکننده و چندضلعی، امکان ارزیابی دقیقتر مدلها در بستر واقعی مهیا شده است. یافتهها نشان میدهد مدل Yolo11x با استفاده از برچسبگذاری جعبه محدودکننده، تشخیص صحیح ۸۴.۵۶٪ را در تطابق با شمارش دستی محصولات بهدست آورده است. همچنین، مدلهای Yolo11m و Yolo11l با بهرهگیری از روش برچسبگذاری چندضلعی، عملکرد برتری در مرزبندی اشیاء و درصد خطای کمتر داشته و بهترتیب به خطاهای ۱.۱۲٪ و ۱.۲۳٪ دست یافتهاند که این ویژگی، آنها را برای کاربردهای برداشت رباتیک مناسبتر میسازد. این تحقیق زیربنای علمی مناسبی برای ارتقاء سامانههای برداشت خودکار و تخمین عملکرد محصولات باغی فراهم ساخته است.
