Nutze Ultralytics YOLO11 und Objekterkennung zur Schädlingsbekämpfung

Für Landwirte sind Nutzpflanzen mehr als nur eine Einkommensquelle – sie sind das Ergebnis monatelanger harter Arbeit und Hingabe. Schädlinge können diese harte Arbeit jedoch schnell in Verluste verwandeln. Herkömmliche Methoden zur Schädlingsbekämpfung wie manuelle Kontrollen und der weitverbreitete Einsatz von Pestiziden greifen häufig zu kurz. Das führt wiederum zu verschwendeter Zeit, gebundenem Kapital und hohen Ressourcenaufwänden sowie zu beschädigten Nutzpflanzen, geringeren Erträgen und steigenden Kosten. Da der Markt für Schädlingsbekämpfung bis 2028 voraussichtlich ein Volumen von 32,8 Milliarden US-Dollar erreichen wird, sind bessere Lösungen wichtiger denn je.

Hier können Technologien wie künstliche Intelligenz (AI) und Computer Vision ansetzen und Abhilfe schaffen. Fortschrittliche Entwicklungen verändern die Art und Weise, wie Landwirte mit Schädlingen umgehen, und Computer-Vision-Modelle wie Ultralytics YOLO11 gehen dabei voran. Mithilfe von Bildern und Videos kann YOLO11 Nutzpflanzen analysieren, Schädlinge frühzeitig erkennen, Schäden verhindern und eine präzise, effiziente Landwirtschaft ermöglichen. Solche Lösungen für die intelligente Landwirtschaft sparen Zeit, reduzieren Abfälle und schützen Erträge.

In diesem Artikel erfährst du, wie Ultralytics YOLO11 die Schädlingsbekämpfung neu definieren kann, welche fortschrittlichen Funktionen es bietet und welche Vorteile es für eine intelligentere und effizientere Landwirtschaft mit sich bringt.

Computer-Vision-Aufgaben wie Objekterkennung zur Erkennung von Schädlingen nutzen#

Herkömmliche Schädlingsbekämpfung kann sich wie ein Wettlauf gegen die Zeit anfühlen. Manuelle Kontrollen sind langsam und arbeitsintensiv und erkennen Probleme meist erst, wenn der Schaden bereits entstanden ist. Bis dahin haben sich die Schädlinge bereits ausgebreitet, wodurch Ernteverluste und verschwendete Ressourcen entstehen. Studien zeigen, dass Schädlinge jedes Jahr zwischen 20 % und 40 % der weltweiten Nutzpflanzenproduktion vernichten.

Vision AI bietet einen neuen Ansatz zur Lösung dieses Problems. In Computer Vision integrierte hochauflösende AI-Kameras können zur kontinuierlichen Überwachung von Nutzpflanzen und zur Erkennung von Schädlingen eingesetzt werden. Durch die frühzeitige Erkennung können Landwirte Schädlinge schnell bekämpfen, bevor sie erheblichen Schaden anrichten.

Abb. 1: Ein Beispiel dafür, wie Computer Vision Schädlinge erkennt, die mit bloßem Auge schwer zu erkennen sind.

Ultralytics YOLO11 unterstützt Computer-Vision-Aufgaben wie die Objekterkennung, mit der Schädlinge in Bildern oder Videos identifiziert werden können, sowie die Bildklassifizierung, mit der sie kategorisiert werden. So können Landwirte Schädlingsprobleme effektiver überwachen und beheben. Landwirte können YOLO11 sogar individuell trainieren, um bestimmte Schädlinge zu erkennen, die ihre Felder bedrohen.

Ein Reisbauer in Südostasien könnte beispielsweise mit der braunen Reiszikade zu kämpfen haben, einem bedeutenden Schädling, der bekanntermaßen Reispflanzen in der Region schädigt. Ein Weizenbauer in Nordamerika könnte dagegen Schädlinge wie Blattläuse oder Getreidehalmwespen bekämpfen, die dafür berüchtigt sind, Weizenerträge zu mindern. Diese Flexibilität macht Ultralytics YOLO11 anpassungsfähig an die spezifischen Herausforderungen verschiedener Nutzpflanzen und Regionen und ermöglicht maßgeschneiderte Lösungen zur Schädlingsbekämpfung.

Die Funktionen der nächsten Generation von Ultralytics YOLO11 im Überblick#

Du fragst dich vielleicht, was YOLO11 bei der großen Auswahl an Computer-Vision-Modellen so besonders macht. YOLO11 zeichnet sich dadurch aus, dass es effizienter, genauer und vielseitiger ist als frühere YOLO-Modellversionen. YOLO11m erzielt beispielsweise auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) – ein Maß dafür, wie genau das Modell Objekte erkennt – und verwendet dabei 22 % weniger Parameter. Parameter sind im Wesentlichen die Bausteine, die ein Modell zum Lernen und Erstellen von Vorhersagen verwendet. Weniger Parameter bedeuten daher, dass das Modell schneller und schlanker ist. Dieses Gleichgewicht aus Geschwindigkeit und Genauigkeit hebt YOLO11 hervor.

Abb. 2: Ultralytics YOLO11 erzielt bessere Ergebnisse als frühere Modelle.

Außerdem unterstützt YOLO11 eine große Bandbreite an Aufgaben, darunter Instanzsegmentierung, Objektverfolgung, Posenschätzung und die Erkennung orientierter Begrenzungsboxen – Aufgaben, mit denen Nutzer von Ultralytics YOLOv8 bereits vertraut sein dürften. Diese Funktionen machen es zusammen mit der einfachen Bedienung von YOLO11 möglich, schnell und effektiv Lösungen zur Identifizierung, Verfolgung und Analyse von Objekten in verschiedenen Anwendungen umzusetzen – und das ohne steile Lernkurve.

Darüber hinaus ist Ultralytics YOLO11 sowohl für Edge-Geräte als auch für Cloud-Plattformen optimiert und liefert unabhängig von den Hardwarebeschränkungen eine reibungslose Leistung. Ob beim autonomen Fahren, in der Landwirtschaft oder in der industriellen Automatisierung: YOLO11 liefert schnelle, genaue und zuverlässige Ergebnisse und ist damit eine ausgezeichnete Wahl für Computer-Vision-Anwendungen in Echtzeit.

Individuelles Training von Ultralytics YOLO11 im Detail#

Wie funktioniert das individuelle Training von Ultralytics YOLO11 eigentlich? Stell dir einen Landwirt vor, dessen Nutzpflanzen von Käfern bedroht werden. Durch das Training von YOLO11 mit einem Datensatz beschrifteter Bilder, die Käfer in verschiedenen Szenarien zeigen, lernt das Modell, sie genau zu erkennen. So kann der Landwirt eine maßgeschneiderte Lösung für sein spezifisches Schädlingsproblem erstellen. Die Fähigkeit von YOLO11, sich an verschiedene Schädlinge und Regionen anzupassen, gibt Landwirten ein zuverlässiges Werkzeug zum Schutz ihrer Nutzpflanzen.

Abb. 3: Ultralytics YOLO11 kann zur präzisen Erkennung von Käfern für eine gezielte Schädlingsbekämpfung eingesetzt werden.

So kann ein Landwirt Ultralytics YOLO11 zum Erkennen von Käfern trainieren:

• Datensatz erfassen: Im ersten Schritt werden entweder Daten gesammelt oder ein vorhandener Datensatz gesucht. Dieser sollte Bilder von Käfern auf Nutzpflanzen sowie zum Vergleich Bilder ohne Käfer enthalten.
• Daten beschriften: Bei den gesammelten Daten kann jedes Bild mit einem Werkzeug wie Roboflow beschriftet werden, indem Begrenzungsboxen um die Käfer gezeichnet und ihnen die Bezeichnung "Käfer" zugewiesen wird. Wird ein vorhandener Datensatz verwendet, kann dieser Schritt übersprungen werden, da die Annotationen in der Regel bereits vorhanden sind.
• Modell trainieren: Der beschriftete Datensatz kann anschließend zum Trainieren von Ultralytics YOLO11 verwendet werden, wobei das Modell speziell auf die Erkennung von Käfern feinabgestimmt wird.
• Testen und validieren: Das trainierte Modell kann mithilfe eines Testdatensatzes und Leistungsmetriken wie Precision und mAP auf Genauigkeit und Zuverlässigkeit geprüft werden.
• Modell bereitstellen: Sobald das Modell bereit ist, kann es auf Drohnen, Edge-Geräten oder Kameras im Feld bereitgestellt werden. Diese Werkzeuge können Videostreams in Echtzeit analysieren, um Käfer frühzeitig zu erkennen und dem Landwirt gezielte Maßnahmen zu ermöglichen.

Mit diesen Schritten können Landwirte eine maßgeschneiderte Lösung zur Schädlingsbekämpfung entwickeln, den Pestizideinsatz reduzieren, Ressourcen sparen und ihre Nutzpflanzen auf intelligentere und nachhaltigere Weise schützen.

Anwendungen der Schädlings­erkennung mit Computer Vision#

Nachdem wir die Funktionen von Ultralytics YOLO11 und sein individuelles Training erläutert haben, sehen wir uns nun einige der spannenden Anwendungen an, die damit möglich werden.

Klassifizierung von Pflanzenkrankheiten mit Ultralytics YOLO11#

Die Klassifizierung von Pflanzenkrankheiten und die Erkennung von Schädlingen sind eng miteinander verbunden, und beide sind entscheidend für gesunde Nutzpflanzen. Ultralytics YOLO11 kann dank seiner fortschrittlichen Funktionen zur Objekterkennung und Bildklassifizierung bei der Bewältigung beider Herausforderungen eingesetzt werden.

Nehmen wir beispielsweise an, dass ein Landwirt sowohl mit Blattläusen als auch mit Mehltau auf seinen Nutzpflanzen zu kämpfen hat. Ultralytics YOLO11 kann darauf trainiert werden, Blattläuse zu erkennen, die möglicherweise auf den Unterseiten der Blätter sichtbar sind, und gleichzeitig erste Anzeichen von Mehltau zu identifizieren – einer Pilzkrankheit, die weiße, pudrige Flecken auf Pflanzenoberflächen verursacht.

Abb. 4. Wie Blattläuse und Mehltau gemeinsam auftreten. Bild vom Autor.

Da Blattlausbefall die Pflanze häufig schwächt und Bedingungen für Krankheiten schafft, kann der Landwirt durch die gleichzeitige Erkennung beider Probleme gezielte Maßnahmen ergreifen, beispielsweise die betroffenen Bereiche mit geeigneten Behandlungen zu behandeln.

Bewegungen von Schädlingen verfolgen, um ihre Ausbreitung zu verhindern#

Zu wissen, wo sich Schädlinge befinden, ist wichtig, aber ebenso entscheidend kann es sein, zu verstehen, wie sie sich bewegen. Schädlinge bleiben nicht an einem Ort – sie breiten sich aus und verursachen dabei oft weitere Schäden. Mit der Objektverfolgung kann YOLO11 mehr als nur einen einzelnen Zeitpunkt erfassen. Es kann die Bewegungen von Schädlingen in Videos verfolgen und Landwirten so zeigen, wie sich Befall entwickelt und ausbreitet.

Stell dir beispielsweise einen Heuschreckenschwarm vor, der sich über ein Weizenfeld bewegt. Mit Ultralytics YOLO11 ausgestattete Drohnen können die Bewegung des Schwarms in Echtzeit verfolgen und die am stärksten gefährdeten Bereiche identifizieren. Mit diesen Informationen können Landwirte schnell handeln, gezielte Behandlungen anwenden oder Barrieren errichten, um den Schwarm aufzuhalten, bevor er zu großen Schaden anrichtet. Die Tracking-Funktion von YOLO11 liefert Landwirten die nötigen Erkenntnisse, um eine weitere Ausbreitung des Befalls zu verhindern.

Abb. 5. Eine Drohne mit integrierter Ultralytics YOLO11-Technologie.

Beurteilung der Pflanzengesundheit und Erkennung von Schädlingsschäden#

Die Erkennung von Schädlingen und die Klassifizierung von Pflanzenkrankheiten sind nur ein Teil der Lösung. Ebenso entscheidend ist es, das Ausmaß der durch diese Faktoren verursachten Schäden an Nutzpflanzen zu verstehen. Ultralytics YOLO11 kann dabei helfen, indem es Landwirten mithilfe der Instanzsegmentierung detaillierte Erkenntnisse darüber liefert, wie Schädlinge ihre Nutzpflanzen beeinträchtigen.

Die Instanzsegmentierung ermöglicht es Ultralytics YOLO11, genau abzugrenzen, welche Bereiche der Nutzpflanzen beschädigt wurden. So können Landwirte das gesamte Ausmaß des Problems erkennen – unabhängig davon, ob es sich um kleine krankheitsbedingte Flecken auf Blättern oder um größere, durch Schädlinge beschädigte Pflanzenteile handelt. Mit diesen Erkenntnissen können Landwirte die Schäden besser einschätzen und fundiertere Entscheidungen zum weiteren Vorgehen treffen.

Vorteile von AI und Ultralytics YOLO11 zur Schädlings­erkennung#

Bei der Erkennung und Bekämpfung von Schädlingen geht es nicht nur darum, Befall zu stoppen, sondern auch darum, intelligente Landwirtschaft mit innovativen Werkzeugen wie Ultralytics YOLO11 zu fördern, die über herkömmliche Methoden hinausgehen.

Hier ist ein kurzer Überblick über einige der wichtigsten Vorteile von Ultralytics YOLO11 zur Schädlings­erkennung:

• Nachhaltigkeit: Eine präzise Schädlingsbekämpfung minimiert die Umweltbelastung, indem großflächige Pestizidanwendungen vermieden werden.
• Erkenntnisse zur Pflanzengesundheit: Über Schädlinge hinaus kann Ultralytics YOLO11 frühe Anzeichen von Pflanzenkrankheiten erkennen, sodass Landwirte Probleme proaktiv angehen können.
• Skalierbare Bereitstellung: Ob in einem kleinen Gewächshaus oder auf einem weitläufigen landwirtschaftlichen Betrieb – Ultralytics YOLO11 lässt sich an die Anforderungen verschiedener landwirtschaftlicher Umgebungen anpassen.
• Kosteneinsparungen: Durch die Reduzierung von Abfällen, Arbeitsaufwand und übermäßigem Pestizideinsatz ermöglicht Ultralytics YOLO11 langfristig erhebliche Kostensenkungen.

Wie jede Technologie können auch Vision-AI- und Computer-Vision-Lösungen Einschränkungen haben, etwa beim Umgang mit Umweltfaktoren und durch ihre Abhängigkeit von hochwertigen Daten. Positiv ist, dass unsere Modelle wie Ultralytics YOLO11 kontinuierlich überarbeitet werden, um eine bestmögliche Leistung zu erzielen. Durch regelmäßige Aktualisierungen und Verbesserungen werden sie immer zuverlässiger und anpassungsfähiger und erfüllen so die Anforderungen der modernen Landwirtschaft besser.

Die Vorteile intelligenter Landwirtschaft nutzen#

Die Bekämpfung von Schädlingen ist anspruchsvoll, aber eine frühzeitige Behandlung von Problemen kann entscheidend sein. Ultralytics YOLO11 unterstützt Landwirte, indem es Schädlinge schnell identifiziert und genau bestimmt, wo Maßnahmen erforderlich sind. Ein kleiner Schädlingsbefall kann sich rasch verschlimmern, doch die genaue Kenntnis des Aufenthaltsorts der Schädlinge ermöglicht es Landwirten, präzise zu handeln und die Verschwendung von Ressourcen zu vermeiden.

Letztlich machen AI und intelligente Landwirtschaft die Arbeit in der Landwirtschaft effizienter und nachhaltiger. Werkzeuge wie Computer Vision und Ultralytics YOLO11 können Landwirte außerdem bei Aufgaben wie der Überwachung der Pflanzengesundheit unterstützen und ihnen helfen, datenbasierte bessere Entscheidungen zu treffen. Das bedeutet gesündere Nutzpflanzen, weniger Abfälle und intelligentere landwirtschaftliche Verfahren – und ebnet den Weg für eine widerstandsfähigere und produktivere Zukunft der Landwirtschaft.

Besuche unser GitHub-Repository, um mehr über AI zu erfahren und dich an unserer Community zu beteiligen. Erfahre, wie wir Innovationen in Bereichen wie AI in der Fertigung und Computer Vision im Gesundheitswesen vorantreiben.