Wie SOWIT mit Ultralytics YOLO die Landwirtschaft intelligenter macht

SOWIT vereint Agronomie, Ingenieurwesen und Software, damit landwirtschaftliche Betriebe anhand von Felddaten bessere Entscheidungen treffen können. Bei einer praktischen Anwendung kommt die Objekterkennung mit Ultralytics YOLO zum Einsatz, um anhand von Bildern den Zitrusertrag zu schätzen. So wird ein langsamer manueller Prozess durch einen reproduzierbaren Computer-Vision-Arbeitsablauf ersetzt.

Das Projekt zeigt, wie Vision AI die Landwirtschaft unterstützen kann, wenn sie auf ein konkretes betriebliches Problem zugeschnitten ist: repräsentative Bilder aufnehmen, Früchte zuverlässig erkennen und diese Erkennungen in Informationen umwandeln, die landwirtschaftliche Teams für ihre Planung nutzen können.

Die Herausforderung: Ertragsschätzungen für einen großen Obstgarten#

SOWIT arbeitete mit einem Zitrusbetrieb zwischen Marrakesch und Imintanout in Marokko zusammen. Auf einer Fläche von etwa 180 Hektar war es für die Ernteplanung, die Arbeitskräfteplanung, den Verkauf und die Logistik wichtig, die Anzahl der Früchte auf den Bäumen zu schätzen.

Bei herkömmlichen Ertragsschätzungen zählen Mitarbeitende die Früchte ausgewählter Bäume von Hand und übertragen die Ergebnisse rechnerisch auf den gesamten Obstgarten. Dieser Ansatz kann kostspielig und zeitaufwendig sein; außerdem können die Ergebnisse je nach Person variieren. Wenn Schätzungen verspätet oder uneinheitlich vorliegen, haben landwirtschaftliche Betriebe weniger verlässliche Informationen für Verhandlungen mit Käufern und die Planung der für die Ernte erforderlichen Ressourcen.

SOWIT brauchte eine Methode, die mit der bereits vorhandenen Ausrüstung der Landwirte funktioniert, sich in die Arbeit auf dem Feld einfügt und einheitliche Ergebnisse liefert, ohne dass jede Frucht von Hand gezählt werden muss.

Warum SOWIT sich für Ultralytics YOLO entschied#

SOWIT entwickelte die ursprüngliche Lösung mit Ultralytics YOLOv5. YOLO-Modelle verarbeiten ein Bild in einem einzigen Inferenzdurchlauf und geben die Position und Klasse jedes erkannten Objekts zurück. In diesem Anwendungsfall handelt es sich bei den Objekten um einzelne Früchte an einem Baum.

Die Objekterkennung eignet sich gut für diese Aufgabe, da das System nicht nur feststellen muss, ob Früchte vorhanden sind. Es muss mehrere Früchte im selben Bild lokalisieren, damit sie gezählt werden können. Dank der effizienten Inferenz lassen sich außerdem viele Feldbilder praktisch verarbeiten, ohne den Arbeitsablauf erheblich zu verzögern.

Das Modell ist nur ein Teil eines umfassenderen Systems. Zuverlässige Ertragsschätzungen hängen außerdem von repräsentativen Trainingsdaten, einer einheitlichen Bildaufnahme, einer geeigneten Stichprobenauswahl und der Validierung unter den Bedingungen im Obstgarten ab. Beleuchtung, Blattwerk, Verdeckungen, Fruchtgröße, Kamerawinkel und Anbausorte können sich auf die Leistung auswirken.

So funktioniert der Arbeitsablauf von SOWIT#

SOWIT integrierte das Modell in die Anwendung SOYFIELD und gab Landwirten damit einen geführten Ablauf zur Erfassung der für eine Schätzung benötigten Informationen an die Hand.

1. Parzelle festlegen#

Die nutzende Person wählt die landwirtschaftliche Parzelle aus, trägt ihre Grenzen in eine Karte ein und erfasst relevante Informationen wie Anbauart, Baumanzahl und Anbaumethoden. Dieser Kontext ordnet jede Bildprobe dem richtigen Bereich des Betriebs zu.

2. Repräsentative Bäume auswählen#

Die Anwendung berechnet, wie viele Bäume beprobt werden müssen, um die angestrebte Fehlerspanne einzuhalten. Ein strukturierter Stichprobenplan trägt dazu bei, Verzerrungen zu verringern und Ergebnisse für verschiedene Parzellen und Jahreszeiten besser vergleichbar zu machen.

3. Bilder aufnehmen#

Die nutzende Person fotografiert die Vorder- und Rückseite jedes ausgewählten Baums. Aufnahmen von beiden Seiten verbessern die Erfassung, wenn Blätter, Äste oder andere Früchte Teile der Baumkrone verdecken.

4. Früchte erkennen und zählen#

Die Bilder werden zur Inferenz übermittelt. Das YOLO-Modell erkennt einzelne Früchte, und die Anwendung wandelt diese Erkennungen in Zählwerte für die beprobten Bäume um.

5. Ertrag schätzen#

Die Zählwerte der Stichprobe werden mit den Informationen zur Parzelle kombiniert, um den Ertrag des gesamten Obstgartens zu schätzen. Die landwirtschaftlichen Teams können das Ergebnis anschließend für ihre geschäftliche und betriebliche Planung nutzen.

Youssef Sridi, technischer Leiter des Betriebs Mfruits, beschrieb den praktischen Nutzen der Anwendung so: „Mit der Anwendung von SOWIT konnten wir unsere Erträge präzise und rechtzeitig schätzen und dabei Ressourcen im Außendienst einsparen.“

Praktischer Nutzen für landwirtschaftliche Teams#

Computer Vision macht agronomisches Fachwissen nicht überflüssig. Sie bietet Fachleuten lediglich ein schnelleres und einheitlicheres Messinstrument.

• Besser reproduzierbare Schätzungen: Ein festgelegter Ablauf für Bildaufnahmen und Stichproben verringert die Unterschiede zwischen einzelnen Zählenden.
• Weniger manuelles Zählen: Teams können weniger Zeit mit der Prüfung jedes einzelnen Baums verbringen und mehr Zeit darauf verwenden, auf Grundlage der gewonnenen Informationen zu handeln.
• Frühere Planung: Rechtzeitige Schätzungen unterstützen die Planung von Erntezeiten, Personal, Transport, Lagerung und Verkaufsgesprächen.
• Wiederverwendbarer Datenprozess: Bilder und Modellergebnisse bilden die Grundlage, um die Leistung langfristig zu bewerten und das System bei veränderten Feldbedingungen zu verbessern.

Diese Vorteile setzen voraus, dass die Modellqualität erhalten bleibt. Teams sollten die Genauigkeit anhand von Daten aus den Betrieben bewerten, in denen das System eingesetzt werden soll, Fehlerfälle überprüfen und das Modell neu trainieren, wenn sich Anbau, Jahreszeiten, Kameras oder Einsatzbedingungen ändern.

Von YOLOv5 zu den aktuellen Ultralytics YOLO-Modellen#

Das Projekt von SOWIT wurde mit YOLOv5 entwickelt, einem wichtigen Modell in der Entwicklung der Ultralytics YOLO-Familie. Der grundlegende Arbeitsablauf ist nach wie vor relevant: einen repräsentativen Datensatz vorbereiten, ein Objekterkennungsmodell trainieren, es unter realen Einsatzbedingungen validieren und in eine Anwendung integrieren, die ein konkretes Problem der Nutzenden löst.

Für neue Projekte ist Ultralytics YOLO26 das neueste stabile Modell und der empfohlene Ausgangspunkt. Teams können Modellgrößen vergleichen und Exportformate auswählen, um das passende Verhältnis aus Genauigkeit, Latenz und Hardwarekompatibilität für den Einsatz auf dem Feld, am Netzwerkrand oder in der Cloud zu finden.

Den Lebenszyklus von Computer Vision mit der Ultralytics Platform verwalten#

Die Ultralytics Platform bietet einen gemeinsamen Arbeitsbereich, um ein Vision-AI-Projekt von den Daten bis zur Produktion zu führen. Ein Team, das eine Anwendung für die Landwirtschaft entwickelt, kann die Platform nutzen, um:

• Bilddatensätze zu beschaffen und zu organisieren.
• Annotiere Daten und beschleunige das Labeling mit der automatischen Annotation.
• Trainiere Ultralytics-YOLO-Modelle in der Cloud oder auf deiner lokalen Infrastruktur.
• Modellmetriken zu prüfen und Experimente zu vergleichen.
• Modelle für die Inferenz auf unterstützten Zielplattformen bereitzustellen.
• Produktionsabläufe zu überwachen und das Modell anhand neuer Felddaten weiter zu verbessern.

Dieser Lebenszyklus ist wichtig, denn landwirtschaftliche Umgebungen sind nicht statisch. Ein Modell, das anhand eines Obstgartens oder einer Saison trainiert wurde, kann später auf andere Sorten, Wetterbedingungen, Lichtverhältnisse, Wachstumsphasen oder Kamerageräte treffen. Wenn Datensätze, Experimente, Bereitstellungen und Überwachung miteinander verknüpft bleiben, lassen sich solche Veränderungen leichter verwalten.

Praktische Vision AI für die Landwirtschaft entwickeln#

Die besten Bildverarbeitungsprojekte beginnen mit der betrieblichen Entscheidung, die sie verbessern sollen. Bei SOWIT ging es nicht einfach darum, Früchte in einem Bild zu erkennen, sondern zeitnah eine Ertragsschätzung zu erstellen, die Landwirte nutzen können.

Teams, die ähnliche Systeme planen, sollten vor der Skalierung die Stichprobenmethode, Erfolgskriterien, Inferenzumgebung und den Prozess zur menschlichen Überprüfung festlegen. Sie sollten außerdem unter realistischen Feldbedingungen testen, darunter schwierige Lichtverhältnisse und teilweise verdeckte Früchte, und sicherstellen, dass die Bereitstellung mit der verfügbaren Konnektivität und Hardware funktioniert.

Die Arbeit von SOWIT zeigt, wie Ultralytics YOLO Feldbilder in nützliche landwirtschaftliche Informationen umwandeln kann. Mit modernen YOLO-Modellen und der Ultralytics Platform, die den gesamten Computer-Vision-Lebenszyklus unterstützt, können Teams auf diesem Ansatz aufbauen und wartbare Vision-KI-Systeme für landwirtschaftliche Betriebe und andere reale Umgebungen entwickeln.

Entdecke die Ultralytics Platform, um mit dem Aufbau und der Verwaltung deines eigenen Computer-Vision-Workflows zu beginnen.