Wie SOWIT Ultralytics YOLO für eine intelligentere Landwirtschaft einsetzt
Erfahre, wie SOWIT Ultralytics YOLO zur Schätzung von Zitruserträgen einsetzt und wie die Ultralytics Platform moderne Workflows für Vision in der Landwirtschaft unterstützt.
SOWIT vereint Agronomie, Ingenieurwesen und Software, um landwirtschaftlichen Betrieben zu helfen, anhand von Felddaten bessere Entscheidungen zu treffen. Eine der praktischen Anwendungen nutzt die Objekterkennung von Ultralytics YOLO, um die Erträge von Zitrusfrüchten anhand von Bildern zu schätzen, und ersetzt damit einen langsamen manuellen Prozess durch einen wiederholbaren Arbeitsablauf für Computer Vision.
Das Projekt zeigt, wie Vision-KI die Landwirtschaft unterstützen kann, wenn sie auf ein konkretes betriebliches Problem ausgerichtet ist: repräsentative Bilder erfassen, Früchte zuverlässig erkennen und diese Erkennungen in Informationen umwandeln, die landwirtschaftliche Teams für die Planung nutzen können.
Die Herausforderung: Erträge in einem großen Obstgarten schätzen#
SOWIT arbeitete mit einem Zitrusfruchtbetrieb zwischen Marrakesch und Imintanout in Marokko zusammen. Auf etwa 180 Hektar war es für die Ernteplanung, die Arbeitskräfteplanung, den Verkauf und die Logistik entscheidend, die Anzahl der Früchte an den Bäumen zu schätzen.
Bei der herkömmlichen Ertragsschätzung zählen Mitarbeiter die Früchte an ausgewählten Bäumen manuell und übertragen die Ergebnisse durch Hochrechnung auf den gesamten Obstgarten. Dieser Ansatz kann kostspielig und zeitaufwendig sein, und die Ergebnisse können sich zwischen den Beobachtern unterscheiden. Wenn Schätzungen verspätet oder uneinheitlich sind, verfügen landwirtschaftliche Betriebe über weniger verlässliche Informationen für Verhandlungen mit Käufern und die Vorbereitung der für die Ernte erforderlichen Ressourcen.
SOWIT benötigte eine Methode, die mit der bereits vorhandenen Ausrüstung der Landwirte funktioniert, sich in die Arbeitsabläufe auf dem Feld integrieren lässt und konsistente Ergebnisse liefert, ohne dass jede Frucht von Hand gezählt werden muss.
Warum SOWIT sich für Ultralytics YOLO entschieden hat#
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 dieses Problem, weil das System mehr leisten muss, als nur festzustellen, ob Früchte vorhanden sind. Es muss mehrere Früchte im selben Bild lokalisieren, damit die Erkennungen gezählt werden können. Die effiziente Inferenz macht es außerdem praktikabel, viele Feldbilder zu verarbeiten, ohne den Arbeitsablauf durch lange Verzögerungen zu beeinträchtigen.
Das Modell ist nur ein Teil eines umfassenderen Systems. Eine zuverlässige Ertragsschätzung hängt auch von repräsentativen Trainingsdaten, einer konsistenten Bilderfassung, einer geeigneten Stichprobenauswahl und der Validierung unter den Bedingungen im Obstgarten ab. Beleuchtung, Laub, Verdeckungen, Fruchtgröße, Kamerawinkel und die angebaute Sorte können die Leistung beeinflussen.
So funktioniert der Arbeitsablauf von SOWIT#
SOWIT integrierte das Modell in seine Anwendung SOYFIELD und stellt Landwirten damit einen geführten Prozess zur Erfassung der für eine Schätzung erforderlichen Informationen bereit.
1. Parzelle festlegen#
Der Benutzer wählt die Betriebsparzelle aus, kartiert ihre Grenzen und erfasst relevante Informationen wie Anbauart, Baumanzahl und Anbaumethoden. Dieser Kontext verknüpft jede Bildprobe mit dem richtigen Bereich des Betriebs.
2. Repräsentative Bäume auswählen#
Die Anwendung bestimmt, wie viele Bäume ausgewählt werden müssen, um die angestrebte Fehlermarge einzuhalten. Ein strukturierter Stichprobenplan trägt dazu bei, Verzerrungen zu reduzieren und die Ergebnisse über Parzellen und Jahreszeiten hinweg besser vergleichbar zu machen.
3. Bilder erfassen#
Der Benutzer fotografiert die Vorder- und Rückseite jedes ausgewählten Baums. Die Aufnahme beider Seiten verbessert die Abdeckung, 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 ausgewählten Bäume um.
5. Ertrag schätzen#
Die Zählwerte der Stichprobe werden mit den Informationen zur Parzelle kombiniert, um den Ertrag für den gesamten Obstgarten zu schätzen. Landwirtschaftliche Teams können das Ergebnis anschließend für die kommerzielle und betriebliche Planung nutzen.
Youssef Sridi, technischer Leiter des Betriebs Mfruits, beschrieb den praktischen Nutzen der Anwendung: „Die Anwendung von SOWIT hat uns geholfen, unsere Erträge zeitnah und mit hoher Genauigkeit zu schätzen und dabei Ressourcen im Feld einzusparen.“
Betrieblicher Nutzen für landwirtschaftliche Teams#
Computer Vision ersetzt nicht das agronomische Fachwissen. Sie stellt diesem Fachwissen ein schnelleres und konsistenteres Messinstrument zur Verfügung.
- Besser wiederholbare Schätzungen: Ein festgelegter Ablauf für Bildaufnahme und Stichprobenauswahl verringert die Unterschiede zwischen einzelnen Zählern.
- Weniger manuelles Zählen: Teams verbringen weniger Zeit damit, jeden Baum zu überprüfen, und mehr Zeit damit, auf Grundlage der gewonnenen Informationen zu handeln.
- Frühere Planung: Rechtzeitige Schätzungen können die Planung von Erntezeiten, Personal, Transport, Lagerung und Verkaufsgesprächen unterstützen.
- Ein wiederverwendbarer Datenprozess: Bilder und Modellergebnisse schaffen eine Grundlage, um die Leistung im Zeitverlauf zu bewerten und das System zu verbessern, wenn sich die Bedingungen auf dem Feld ändern.
Diese Vorteile hängen von der Aufrechterhaltung der Modellqualität ab. 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 Kulturen, Jahreszeiten, Kameras oder Einsatzbedingungen ändern.
Von YOLOv5 zu den heutigen Ultralytics YOLO-Modellen#
Das Projekt von SOWIT wurde mit YOLOv5 entwickelt, einem wichtigen Modell in der Entwicklung der Ultralytics YOLO-Familie. Der zugrunde liegende Arbeitsablauf ist weiterhin relevant: einen repräsentativen Datensatz vorbereiten, ein Modell zur Objekterkennung trainieren, es unter realen Einsatzbedingungen validieren und es in einer Anwendung bereitstellen, die ein klares Benutzerproblem löst.
Für neue Projekte ist Ultralytics YOLO26 das neueste stabile Modell und der empfohlene Ausgangspunkt. Teams können Modellgrößen und Exportformate vergleichen, um das für eine Bereitstellung im Feld, am Rand oder in der Cloud passende Verhältnis aus Genauigkeit, Latenz und Hardwarekompatibilität auszuwählen.
Den Lebenszyklus von Computer Vision mit der Ultralytics Platform verwalten#
Die Ultralytics Platform bietet einen zentralen Arbeitsbereich, um ein Vision-KI-Projekt von den Daten bis zur Produktion zu führen. Ein Team, das eine landwirtschaftliche Anwendung entwickelt, kann die Platform für Folgendes nutzen:
- Bilddatensätze beschaffen und organisieren.
- Daten annotieren und die Beschriftung durch automatische Annotation beschleunigen.
- Ultralytics YOLO-Modelle in der Cloud oder auf lokaler Infrastruktur trainieren.
- Modellmetriken überprüfen und Experimente vergleichen.
- Modelle für die Inferenz auf unterstützten Zielsystemen bereitstellen.
- Produktive Arbeitsabläufe überwachen und das Modell mit neuen Felddaten kontinuierlich verbessern.
Dieser Lebenszyklus ist wichtig, weil landwirtschaftliche Umgebungen nicht statisch sind. Ein Modell, das auf einem bestimmten Obstgarten oder für eine bestimmte Jahreszeit 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 Änderungen leichter verwalten.
Praktische Vision-KI für die Landwirtschaft entwickeln#
Die besten Computer-Vision-Projekte beginnen mit der betrieblichen Entscheidung, die sie verbessern sollen. Im Fall von SOWIT bestand das Ziel nicht einfach darin, Früchte in einem Bild zu erkennen, sondern eine rechtzeitige Ertragsschätzung zu liefern, die Landwirte nutzen konnten.
Teams, die ähnliche Systeme planen, sollten die Stichprobenmethode, Erfolgsmetriken, Inferenzumgebung und den Prozess zur menschlichen Überprüfung festlegen, bevor sie das System skalieren. Sie sollten außerdem unter realistischen Bedingungen auf dem Feld testen, einschließlich schwieriger Lichtverhältnisse und teilweise verdeckter 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 Lebenszyklus von Computer Vision unterstützt, können Teams auf diesem Ansatz aufbauen, um wartbare Vision-KI-Systeme für landwirtschaftliche Betriebe und andere Umgebungen in der realen Welt zu entwickeln.
Ultralytics Platform erkunden, um mit der Entwicklung und Verwaltung deines eigenen Arbeitsablaufs für Computer Vision zu beginnen.
