Wie SOWIT Ultralytics YOLO für intelligentere Landwirtschaft nutzt

SOWIT vereint Agronomie, Engineering und Software, um Landwirtschaftsbetrieben dabei zu helfen, auf Basis von Felddaten bessere Entscheidungen zu treffen. Eine der praktischen Anwendungen nutzt die Ultralytics YOLO-Objekterkennung zur Schätzung von Zitrusfrucht Erträgen anhand von Bildern und ersetzt so einen langsamen manuellen Prozess durch einen reproduzierbaren Computer-Vision-Workflow.

Das Projekt zeigt, wie Vision AI die Landwirtschaft unterstützen kann, wenn sie auf ein spezifisches operatives Problem ausgerichtet ist: repräsentative Bilder sammeln, Früchte konsistent erkennen und diese Erkennungen in Informationen umwandeln, die Betriebsteams für die Planung nutzen können.

Die Herausforderung: Ertragsschätzung in einem großen Obsthain#

SOWIT arbeitete mit einer Zitrusplantage zwischen Marrakesch und Imintanout in Marokko zusammen. Auf einer Fläche von rund 180 Hektar war die Schätzung der Anzahl der Früchte an Bäumen essenziell für Ernteplanung, Arbeitskräfteeinsatz, Verkauf und Logistik.

Traditionelle Ertragsschätzungen basieren darauf, dass Personen Früchte an ausgewählten Bäumen manuell zählen und die Ergebnisse auf den gesamten Obsthain hochrechnen. Dieser Ansatz kann kostspielig und zeitaufwendig sein, und die Ergebnisse können je nach Beobachter variieren. Wenn Schätzungen spät oder inkonsistent eintreffen, haben Farmen weniger verlässliche Informationen für Preisverhandlungen mit Käufern und die Bereitstellung der für die Ernte erforderlichen Ressourcen.

SOWIT benötigte eine Methode, die mit Geräten funktionieren konnte, die Landwirte bereits hatten, sich in den Feldbetrieb einfügen ließ und konsistente Ergebnisse lieferte, ohne dass jede Frucht von Hand gezählt werden musste.

Warum sich SOWIT für Ultralytics YOLO entschieden hat#

SOWIT hat die ursprüngliche Lösung mit Ultralytics YOLOv5 entwickelt. YOLO-Modelle verarbeiten ein Bild in einem einzigen Inferenzdurchlauf und geben den Ort und die Klasse jedes erkennbaren Objekts zurück. Für diesen Anwendungsfall sind die Objekte einzelne Früchte an einem Baum.

Objekterkennung eignet sich gut für dieses Problem, da das System mehr tun muss, als nur festzustellen, ob Früchte vorhanden sind. Es muss mehrere Früchte im selben Bild lokalisieren, damit die Erkennungen gezählt werden können. Effiziente Inferenz macht es zudem praktikabel, viele Feldbilder zu verarbeiten, ohne lange Verzögerungen in den Workflow einzubringen.

Das Modell ist nur ein Teil eines umfassenderen Systems. Eine zuverlässige Ertragsschätzung hängt zudem von repräsentativen Trainingsdaten, konsistenter Bildaufnahme, angemessener Stichprobenahme und Validierung unter den im Obsthain vorgefundenen Bedingungen ab. Beleuchtung, Laub, Verdeckung, Fruchtgröße, Kamerawinkel und Fruchtsorte können die Leistung beeinflussen.

Wie der SOWIT-Workflow funktioniert#

SOWIT hat das Modell in seine SOYFIELD-Anwendung integriert und Landwirten so einen geführten Prozess zum Sammeln der für eine Schätzung erforderlichen Informationen an die Hand gegeben.

1. Parzelle definieren#

Der Nutzer wählt die Parzelle aus, kartiert ihre Grenzen und erfasst relevante Informationen wie Kulturart, Baumanzahl und Anbaumethoden. Dieser Kontext verbindet jede Bildprobe mit dem korrekten Bereich des Betriebs.

2. Repräsentative Bäume auswählen#

Die Anwendung ermittelt, wie viele Bäume beprobt werden müssen, um die Ziel-Fehlertoleranz einzuhalten. Ein strukturierter Stichprobenplan hilft dabei, Verzerrungen zu reduzieren und die Ergebnisse über Parzellen und Saisons hinweg besser vergleichbar zu machen.

3. Bilder aufnehmen#

Der Nutzer fotografiert die Vorder- und Rückseite jedes beprobten Baums. Die Aufnahme beider Seiten verbessert die Abdeckung in Bereichen, in denen Blätter, Äste oder andere Früchte Teile der Baumkrone verdecken.

4. Früchte erkennen und zählen#

Die Bilder werden zur Inferenz gesendet. Das YOLO-Modell identifiziert einzelne Früchte, und die Anwendung konvertiert diese Erkennungen in Anzahlen für die beprobten Bäume.

5. Ertrag schätzen#

Die ermittelten Stichprobenwerte werden mit den Parzelleninformationen kombiniert, um den Ertrag des gesamten Obsthains zu schätzen. Betriebsteams können dieses Ergebnis anschließend nutzen, um kommerzielle und operative Planungen vorzunehmen.

Youssef Sridi, technischer Leiter der Mfruits-Farm, beschrieb den praktischen Nutzen der Anwendung: „Die Nutzung der SOWIT-Anwendung hat uns geholfen, unsere Erträge zeitnah mit großer Präzision genau zu schätzen und gleichzeitig Feldressourcen zu sparen.“

Operativer Nutzen für Betriebsteams#

Computer Vision ersetzt nicht die Notwendigkeit agrarwissenschaftlicher Expertise. Sie verleiht dieser Expertise jedoch ein schnelleres und konsistenteres Messwerkzeug.

• Reproduzierbarere Schätzungen: Ein definierter Bild- und Stichproben-Workflow reduziert Abweichungen zwischen einzelnen Zählern.
• Weniger manuelles Zählen: Teams können weniger Zeit mit der Inspektion jedes einzelnen Baums verbringen und stattdessen mehr Zeit darauf verwenden, auf Basis der resultierenden Informationen zu handeln.
• Frühzeitigere Planung: Rechtzeitige Schätzungen können Ernteplanung, Personalbesetzung, Transport, Lagerung und Verkaufsgespräche unterstützen.
• Ein wiederverwendbarer Datenprozess: Bilder und Modellergebnisse schaffen eine Grundlage, um die Leistung im Zeitverlauf zu bewerten und das System bei sich ändernden Feldbedingungen zu verbessern.

Diese Vorteile hängen von der Aufrechterhaltung der Modellqualität ab. Teams sollten die Genauigkeit anhand von Daten von den Farmen bewerten, auf denen das System betrieben wird, Fehlerfälle prüfen und bei Änderungen von Kulturen, Saisons, Kameras oder Betriebsbedingungen ein Retraining durchführen.

Von YOLOv5 zu den heutigen Ultralytics YOLO-Modellen#

Das SOWIT-Projekt wurde mit YOLOv5 entwickelt, einem wichtigen Modell in der Evolution der Ultralytics YOLO-Familie. Der zugrundeliegende Workflow bleibt relevant: Erstelle einen repräsentativen Datensatz, trainiere ein Objekterkennungsmodell, validiere es gegen reale Betriebsbedingungen und deploye es in einer Anwendung, die ein klares Anwenderproblem löst.

Für neue Projekte ist Ultralytics YOLO26 das neueste stabile Modell und der empfohlene Ausgangspunkt. Teams können Modellgrößen und Exportformate vergleichen, um die optimale Balance aus Genauigkeit, Latenz und Hardwarekompatibilität für eine Bereitstellung vor Ort, am Edge oder in der Cloud zu wählen.

Verwaltung des Computer-Vision-Lebenszyklus mit der Ultralytics Platform#

Ultralytics Platform bietet einen einzigen Arbeitsbereich, um ein Vision-KI-Projekt von den Daten bis in die Produktion zu bringen. Ein Team, das eine landwirtschaftliche Anwendung entwickelt, kann die Platform nutzen, um:

• Bilddatensätze zu beschaffen und zu organisieren.
• Daten zu annotieren und die Labelerstellung mit automatischer Annotation zu beschleunigen.
• Ultralytics YOLO-Modelle in der Cloud oder auf lokaler Infrastruktur zu trainieren.
• Modellmetriken zu überprüfen und Experimente zu vergleichen.
• Modelle für die Inferenz auf unterstützten Zielen zu deployen.
• Produktions-Workflows zu überwachen und das Modell mit neuen Feldbedingungen kontinuierlich zu verbessern.

Dieser Lebenszyklus ist wichtig, weil landwirtschaftliche Umgebungen nicht statisch sind. Ein Modell, das für einen bestimmten Obsthain oder eine Saison trainiert wurde, kann später auf andere Sorten, Wetterbedingungen, Beleuchtungsverhältnisse, Wachstumsstadien oder Kamerageräte treffen. Wenn Datensätze, Experimente, Deployments und Monitoring miteinander verknüpft bleiben, lassen sich diese Änderungen leichter verwalten.

Praxisnahe Vision AI für die Landwirtschaft entwickeln#

Die stärksten Computer-Vision- Projekte beginnen mit der operativen Entscheidung, die sie verbessern müssen. Im Fall von SOWIT bestand das Ziel nicht einfach darin, Früchte in einem Bild zu erkennen; es ging darum, eine zeitnahe Ertragsschätzung zu liefern, die Landwirte nutzen konnten.

Teams, die ähnliche Systeme planen, sollten die Stichprobenmethode, Erfolgsmetriken, Inferenzumgebung und den menschlichen Prüfungsprozess vor der Skalierung definieren. Sie sollten zudem unter realistischen Feldbedingungen testen – einschließlich schwieriger Lichtverhältnisse und teilweise verdeckter Früchte – und bestätigen, dass das Deployment mit verfügbarer Konnektivität und Hardware funktioniert.

Die Arbeit von SOWIT zeigt, wie Ultralytics YOLO Feldbilder in nützliche agrarwissenschaftliche Informationen umwandeln kann. Mit modernen YOLO-Modellen und der Ultralytics Platform zur Unterstützung des gesamten Computer-Vision-Lebenszyklus können Teams auf diesem Muster aufbauen, um wartbare Vision-AI-Systeme für Farmen und andere reale Umgebungen zu entwickeln.

Erkunde Ultralytics Platform, um mit der Entwicklung und Verwaltung deines eigenen Computer-Vision-Workflows zu beginnen.