Aprovecha Ultralytics YOLO11 y la detección de objetos para el control de plagas

Para los agricultores, los cultivos representan mucho más que una fuente de ingresos: son el resultado de meses de trabajo duro y dedicación. Sin embargo, las plagas pueden convertir rápidamente ese esfuerzo en pérdidas. Los métodos tradicionales de control de plagas, como las inspecciones manuales y el uso generalizado de pesticidas, a menudo no son suficientes. Esto, a su vez, genera desperdicio de tiempo, capital y recursos, además de cultivos dañados, reducción de cosechas y costes crecientes. Con el mercado de control de plagas previsto para alcanzar los 32.800 millones de dólares en 2028, contar con mejores soluciones es más importante que nunca.

Ahí es donde tecnologías como la inteligencia artificial (IA) y la visión artificial pueden intervenir para ayudar. Los avances de vanguardia están cambiando la forma en que los agricultores tratan con las plagas, y modelos de visión artificial como Ultralytics YOLO11 lideran el camino. Mediante el uso de imágenes y vídeos, YOLO11 puede analizar los cultivos para detectar plagas de forma temprana, prevenir daños y permitir una agricultura precisa y eficiente. Dichas soluciones de agricultura inteligente se traducen en un ahorro de tiempo, menos desperdicios y cosechas protegidas.

En este artículo, exploraremos cómo YOLO11 puede redefinir el control de plagas, sus características avanzadas y los beneficios que aporta para hacer que la agricultura sea más inteligente y eficiente.

Link to this sectionUso de tareas de visión artificial como la detección de objetos para el control de plagas#

El control tradicional de plagas puede parecer una carrera contrarreloj. Las inspecciones manuales son lentas, requieren mucha mano de obra y, por lo general, detectan los problemas solo cuando el daño ya está hecho. Para entonces, las plagas ya se han extendido, causando pérdidas de cultivos y malgastando recursos. Los estudios demuestran que las plagas destruyen entre el 20% y el 40% de la producción mundial de cultivos cada año.

La IA de visión ofrece un enfoque innovador para resolver este problema. Las cámaras de IA de alta resolución integradas con visión artificial pueden utilizarse para monitorizar los cultivos las 24 horas del día y detectar plagas. La detección temprana ayuda a los agricultores a detener rápidamente a las plagas antes de que puedan causar daños significativos.

Fig 1. Un ejemplo de visión artificial identificando plagas que son difíciles de detectar a simple vista.

YOLO11 es compatible con tareas de visión artificial como la detección de objetos, que puede usarse para identificar plagas en imágenes o vídeos, y la clasificación de imágenes, que las categoriza, ayudando a los agricultores a monitorizar y abordar los problemas de plagas con mayor eficacia. Los agricultores pueden incluso entrenar YOLO11 a medida para reconocer plagas específicas que amenazan sus campos.

Por ejemplo, un productor de arroz en el sudeste asiático podría tener problemas con la chicharrita marrón, una plaga importante conocida por causar daños en los cultivos de arroz de la región. Mientras tanto, un productor de trigo en Norteamérica podría estar luchando contra plagas como los pulgones o el avispón del trigo, famosos por reducir los rendimientos de este cereal. Esta flexibilidad hace que YOLO11 sea adaptable a los desafíos específicos de diferentes cultivos y regiones, ofreciendo soluciones personalizadas de control de plagas.

Link to this sectionComprender las características de última generación de YOLO11#

Quizás te preguntes qué hace que YOLO11 sea tan especial, con tantos modelos de visión artificial en el mercado. YOLO11 destaca porque es más eficiente, preciso y versátil que las versiones anteriores de los modelos YOLO. Por ejemplo, YOLO11m logra una mayor precisión media (mAP) -una medida de la precisión con la que el modelo detecta objetos- en el conjunto de datos COCO, utilizando un 22% menos de parámetros. Los parámetros son esencialmente los bloques de construcción que utiliza un modelo para aprender y hacer predicciones, por lo que menos parámetros significan que el modelo es más rápido y ligero. Este equilibrio entre velocidad y precisión es lo que hace que YOLO11 destaque.

Fig 2. Ultralytics YOLO11 funciona mejor que los modelos anteriores.

Además, YOLO11 es compatible con una amplia gama de tareas, incluida la segmentación de instancias, el seguimiento de objetos, la estimación de poses y la detección de cuadros delimitadores orientados: tareas que los usuarios de Ultralytics YOLOv8 ya conocerán. Estas capacidades, combinadas con la facilidad de uso de YOLO11, permiten implementar de forma rápida y eficaz soluciones para identificar, rastrear y analizar objetos en diversas aplicaciones, todo ello sin una curva de aprendizaje pronunciada.

Más allá de esto, YOLO11 está optimizado tanto para dispositivos periféricos (edge devices) como para plataformas en la nube, lo que garantiza un rendimiento impecable independientemente de las limitaciones del hardware. Ya sea en la conducción autónoma, la agricultura o la automatización industrial, YOLO11 ofrece resultados rápidos, precisos y fiables, lo que lo convierte en una opción excelente para aplicaciones de visión artificial en tiempo real.

Link to this sectionUna mirada más cercana al entrenamiento personalizado de YOLO11#

Entonces, ¿cómo funciona realmente el entrenamiento personalizado de YOLO11? Considera a un agricultor que se enfrenta a escarabajos que amenazan sus cultivos. Al entrenar YOLO11 con un conjunto de datos de imágenes etiquetadas que muestran escarabajos en diferentes situaciones, el modelo aprende a reconocerlos con precisión. Esto permite al agricultor crear una solución adaptada a su problema específico de plagas. La capacidad de YOLO11 para adaptarse a diferentes plagas y regiones proporciona a los agricultores una herramienta fiable para proteger sus cultivos.

Fig 3. YOLO11 puede utilizarse para detectar escarabajos con precisión para un control de plagas dirigido.

Aquí tienes cómo puede un agricultor entrenar a YOLO11 para detectar escarabajos:

• Recopila el conjunto de datos: El primer paso es recopilar datos o encontrar un conjunto de datos preexistente, que incluya imágenes de escarabajos en cultivos e imágenes sin escarabajos para comparar.
• Etiqueta los datos: Para los datos recopilados, cada imagen se puede etiquetar usando una herramienta como Roboflow dibujando cuadros delimitadores alrededor de los escarabajos y asignándoles la etiqueta "escarabajo". Si se utiliza un conjunto de datos preexistente, este paso se puede omitir, ya que las anotaciones suelen estar ya incluidas.
• Entrena el modelo: El conjunto de datos etiquetado se puede utilizar para entrenar YOLO11, ajustando el modelo para que se centre específicamente en la detección de escarabajos.
• Prueba y valida: El modelo entrenado se puede evaluar mediante un conjunto de datos de prueba y métricas de rendimiento como la precisión y el mAP para comprobar su exactitud y fiabilidad.
• Despliega el modelo: Una vez que el modelo esté listo, se puede desplegar en drones, dispositivos periféricos o cámaras en el campo. Estas herramientas pueden analizar fuentes de vídeo en tiempo real para detectar escarabajos de forma temprana y ayudar al agricultor a tomar medidas específicas.

Siguiendo estos pasos, los agricultores pueden crear una solución personalizada de control de plagas, reduciendo el uso de pesticidas, ahorrando recursos y protegiendo sus cultivos de una forma más inteligente y sostenible.

Link to this sectionAplicaciones de la detección de plagas con visión artificial#

Ahora que hemos repasado las características de YOLO11 y cómo se puede entrenar de forma personalizada, exploremos algunas de las emocionantes aplicaciones que permite.

Link to this sectionClasificación de enfermedades de las plantas con YOLO11#

La clasificación de enfermedades de las plantas y la detección de plagas están estrechamente relacionadas, y ambas son fundamentales para mantener los cultivos sanos. YOLO11 puede utilizarse para abordar ambos desafíos a través de sus capacidades avanzadas de detección de objetos y clasificación de imágenes.

Por ejemplo, supongamos que un agricultor tiene problemas tanto con pulgones como con oídio en sus cultivos. Se puede entrenar a YOLO11 para detectar pulgones, que podrían ser visibles en el envés de las hojas, al tiempo que identifica los primeros signos de oídio, una enfermedad fúngica que causa manchas blancas polvorientas en las superficies de las plantas.

Fig 4. Cómo aparecen juntos los pulgones y el oídio. Imagen del autor.

Dado que las infestaciones de pulgones a menudo debilitan la planta y crean condiciones para la enfermedad, detectar ambos simultáneamente permite al agricultor tomar medidas precisas, como tratar las zonas afectadas con los productos adecuados.

Link to this sectionSeguimiento de los movimientos de las plagas para evitar su propagación#

Saber dónde están las plagas es importante, pero entender cómo se mueven puede ser igual de clave. Las plagas no se quedan en un lugar; se propagan y a menudo causan más daños por el camino. Con el seguimiento de objetos, YOLO11 puede capturar más que un solo momento. Puede rastrear el movimiento de las plagas en los vídeos, ayudando a los agricultores a ver cómo crecen y se extienden las infestaciones.

Por ejemplo, imagina una plaga de langostas moviéndose por un campo de trigo. Los drones equipados con YOLO11 pueden seguir el movimiento del enjambre en tiempo real, identificando las zonas de mayor riesgo. Con esta información, los agricultores pueden actuar rápidamente, aplicando tratamientos específicos o instalando barreras para detener el enjambre antes de que cause demasiados daños. La capacidad de seguimiento de YOLO11 proporciona a los agricultores los conocimientos necesarios para evitar que las infestaciones se agraven.

Fig 5. Un dron integrado con YOLO11.

Link to this sectionEvaluación de la salud de los cultivos y detección de daños por plagas#

Detectar plagas y clasificar las enfermedades de las plantas es solo una parte de la solución. Entender el alcance del daño causado por estos factores a los cultivos es igual de crítico. YOLO11 puede ayudar en esto proporcionando a los agricultores información detallada sobre cómo las plagas afectan a sus cultivos mediante la segmentación de instancias.

La segmentación de instancias permite a YOLO11 delinear exactamente qué áreas de los cultivos han sido dañadas. Esto ayuda a los agricultores a ver el alcance total del problema, ya sean pequeñas manchas en las hojas por enfermedades o secciones más grandes de la planta dañadas por plagas. Con esta información, los agricultores pueden evaluar mejor los daños y tomar decisiones más informadas sobre cómo manejarlos.

Link to this sectionBeneficios de usar IA y YOLO11 para la detección de plagas#

La detección y el control de plagas no consisten solo en detener las infestaciones; se trata de adoptar la agricultura inteligente con herramientas innovadoras como YOLO11 que van más allá de los métodos tradicionales.

Aquí tienes un rápido vistazo a algunos de los beneficios clave de usar YOLO11 para la detección de plagas:

• Sostenibilidad: El control preciso de plagas minimiza el impacto medioambiental al evitar la aplicación generalizada de pesticidas.
• Perspectivas sobre la salud de los cultivos: Más allá de las plagas, YOLO11 puede identificar los primeros signos de enfermedades en las plantas, ayudando a los agricultores a abordar los problemas de forma proactiva.
• Despliegue escalable: Ya sea un pequeño invernadero o una gran explotación agrícola, YOLO11 puede adaptarse a las necesidades de diferentes configuraciones agrícolas.
• Ahorro de costes: Al reducir el desperdicio, la mano de obra y el uso excesivo de pesticidas, YOLO11 genera importantes reducciones de costes a largo plazo.

Como cualquier tecnología, las soluciones de IA de visión y visión artificial pueden tener sus propias limitaciones, como el manejo de factores ambientales y la dependencia de datos de alta calidad. El lado positivo es que nuestros modelos, como YOLO11, se revisan constantemente para ofrecer el mejor rendimiento. Con actualizaciones y mejoras periódicas, son cada vez más fiables y adaptables para satisfacer las demandas de la agricultura moderna.

Link to this sectionCosechando los beneficios de la agricultura inteligente#

Gestionar las plagas es un desafío, pero abordar los problemas a tiempo puede marcar la diferencia. YOLO11 ayuda a los agricultores a identificar rápidamente las plagas y determinar exactamente dónde se necesita actuar. Un pequeño problema de plagas puede escalar rápidamente, pero conocer la ubicación exacta de las mismas da a los agricultores la capacidad de actuar con precisión y evitar el desperdicio de recursos.

En última instancia, la IA y la agricultura inteligente están haciendo que la agricultura sea más eficiente y sostenible. Herramientas como la visión artificial y YOLO11 también pueden ayudar a los agricultores en tareas como el seguimiento de la salud de las plantas y la toma de mejores decisiones basadas en datos. Esto significa cultivos más sanos, menos desperdicios y prácticas agrícolas más inteligentes, lo que abre el camino a un futuro más resistente y productivo en la agricultura.

Visita nuestro repositorio de GitHub para aprender sobre IA e interactuar con nuestra comunidad. Mira cómo estamos promoviendo innovaciones en sectores como la IA en la fabricación y la visión artificial en la atención sanitaria.