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 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, suelen quedarse cortos. Esto, a su vez, provoca una pérdida de tiempo, capital y recursos, además de cultivos dañados, menores rendimientos y un aumento de los costes. Dado que se espera que el mercado del control de plagas alcance 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 (AI) y la visión por ordenador pueden intervenir y ayudar. Los avances de vanguardia están cambiando la forma en que los agricultores combaten las plagas, y los modelos de visión por ordenador como Ultralytics YOLO11 están a la cabeza. Mediante el uso de imágenes y vídeos, YOLO11 puede analizar los cultivos para detectar plagas en una fase temprana, evitar daños y permitir una agricultura precisa y eficiente. Estas soluciones de agricultura inteligente permiten ahorrar tiempo, reducir residuos y proteger los rendimientos.

En este artículo, analizaremos cómo Ultralytics YOLO11 puede redefinir el control de plagas, sus funciones avanzadas y las ventajas que aporta para hacer que la agricultura sea más inteligente y eficiente.

Uso de tareas de visión por ordenador, como la detección de objetos, para detectar plagas#

El control tradicional de plagas puede parecer una carrera contrarreloj. Las inspecciones manuales son lentas y requieren mucha mano de obra, y normalmente detectan los problemas solo después de que se produzcan los daños. Para entonces, las plagas ya se han propagado, provocando pérdidas de cultivos y un desperdicio de recursos. Los estudios muestran que las plagas destruyen cada año entre el 20 % y el 40 % de la producción agrícola mundial.

La AI de visión ofrece un nuevo enfoque para resolver este problema. Las cámaras de AI de alta resolución integradas con visión por ordenador pueden utilizarse para supervisar los cultivos durante todo el día y detectar plagas. La detección temprana ayuda a los agricultores a detener rápidamente las plagas antes de que causen daños importantes.

Fig. 1. Un ejemplo de cómo la visión por ordenador identifica plagas difíciles de detectar a simple vista.

Ultralytics YOLO11 admite tareas de visión por ordenador como la detección de objetos, que puede utilizarse para identificar plagas en imágenes o vídeos, y la clasificación de imágenes, que las categoriza, ayudando a los agricultores a supervisar y abordar los problemas relacionados con las plagas de forma más eficaz. Los agricultores incluso pueden entrenar YOLO11 de forma personalizada para reconocer plagas específicas que amenacen sus campos.

Por ejemplo, un productor de arroz del Sudeste Asiático podría tener problemas con el saltahojas pardo, una plaga importante conocida por dañar los cultivos de arroz de la región. Mientras tanto, un productor de trigo de Norteamérica podría estar luchando contra plagas como los pulgones o las moscas sierra del tallo del trigo, famosas por reducir los rendimientos de este cereal. Esta flexibilidad hace que Ultralytics YOLO11 se adapte a los desafíos específicos de distintos cultivos y regiones, ofreciendo soluciones personalizadas para el control de plagas.

Conoce mejor las funciones de nueva generación de Ultralytics YOLO11#

Puede que te preguntes qué hace tan especial a YOLO11 con tantos modelos de visión por ordenador disponibles. 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 promedio (mAP) —una medida de la precisión con la que el modelo detecta objetos— en el conjunto de datos COCO, utilizando al mismo tiempo un 22 % menos de parámetros. Los parámetros son, en esencia, los componentes básicos que utiliza un modelo para aprender y realizar predicciones, por lo que un menor número de parámetros significa que el modelo es más rápido y ligero. Este equilibrio entre velocidad y precisión es lo que hace destacar a YOLO11.

Fig. 2. Ultralytics YOLO11 ofrece un mejor rendimiento que los modelos anteriores.

Además, YOLO11 admite una amplia variedad de tareas, como la segmentación de instancias, el seguimiento de objetos, la estimación de poses y la detección de BBox orientadas, tareas que ya resultarán familiares a los usuarios de Ultralytics YOLOv8. Estas capacidades, combinadas con la facilidad de uso de YOLO11, permiten implementar de forma rápida y eficaz soluciones para identificar, seguir y analizar objetos en diversas aplicaciones, sin necesidad de superar una curva de aprendizaje pronunciada.

Además, Ultralytics YOLO11 está optimizado tanto para dispositivos periféricos como para plataformas en la nube, lo que garantiza un funcionamiento fluido independientemente de las limitaciones del hardware. Ya se utilice en conducción autónoma, agricultura o automatización industrial, YOLO11 ofrece resultados rápidos, precisos y fiables, por lo que es una excelente opción para aplicaciones de visión por ordenador en tiempo real.

Análisis más detallado del entrenamiento personalizado de Ultralytics YOLO11#

Entonces, ¿cómo funciona realmente el entrenamiento personalizado de Ultralytics YOLO11? Imagina 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 distintos escenarios, 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 distintas plagas y regiones proporciona a los agricultores una herramienta fiable para proteger sus cultivos.

Fig. 3. Ultralytics YOLO11 puede utilizarse para detectar escarabajos con precisión y controlar las plagas de forma específica.

Así es como un agricultor puede entrenar Ultralytics YOLO11 para detectar escarabajos:

• Recopila el conjunto de datos: El primer paso es recopilar datos o buscar un conjunto de datos ya existente que incluya imágenes de escarabajos en cultivos e imágenes sin escarabajos para compararlas.
• Etiqueta los datos: En el caso de los datos recopilados, cada imagen puede etiquetarse con una herramienta como Roboflow dibujando BBox alrededor de los escarabajos y asignándoles la etiqueta "beetle". Si se utiliza un conjunto de datos ya existente, este paso puede omitirse, ya que normalmente las anotaciones ya están incluidas.
• Entrena el modelo: A continuación, el conjunto de datos etiquetado puede utilizarse para entrenar Ultralytics YOLO11, ajustando el modelo para que se centre específicamente en la detección de escarabajos.
• Prueba y valida: El modelo entrenado puede evaluarse con un conjunto de datos de prueba y métricas de rendimiento como la precisión y mAP para comprobar su exactitud y fiabilidad.
• Implementa el modelo: Cuando el modelo esté listo, puede implementarse en drones, dispositivos periféricos o cámaras instaladas en el campo. Estas herramientas pueden analizar transmisiones de vídeo en tiempo real para detectar escarabajos en una fase temprana y ayudar al agricultor a tomar medidas específicas.

Al seguir estos pasos, los agricultores pueden crear una solución personalizada para el control de plagas, reducir el uso de pesticidas, ahorrar recursos y proteger sus cultivos de una forma más inteligente y sostenible.

Aplicaciones de la detección de plagas con visión por ordenador#

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

Clasificación de enfermedades de las plantas con Ultralytics YOLO11#

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

Por ejemplo, imagina que un agricultor tiene que lidiar tanto con pulgones como con oídio en sus cultivos. Ultralytics YOLO11 puede entrenarse para detectar pulgones, que pueden ser visibles en el envés de las hojas, y al mismo tiempo identificar los primeros signos del oídio, una enfermedad fúngica que provoca manchas blancas y pulverulentas en la superficie de las plantas.

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

Dado que las infestaciones de pulgones suelen debilitar la planta y crear las condiciones propicias para las enfermedades, detectar ambos problemas simultáneamente permite al agricultor actuar con precisión, por ejemplo, aplicando tratamientos adecuados en las zonas afectadas.

Seguimiento de los desplazamientos de las plagas para evitar su propagación#

Saber dónde están las plagas es importante, pero entender cómo se desplazan puede ser igual de esencial. Las plagas no se quedan en un solo lugar: se propagan y a menudo causan más daños a su paso. Con el seguimiento de objetos, YOLO11 puede capturar más que un único momento. Puede seguir el movimiento de las plagas en vídeos, ayudando a los agricultores a observar cómo crecen y se propagan las infestaciones.

Por ejemplo, imagina un enjambre de langostas desplazándose por un campo de trigo. Los drones equipados con Ultralytics YOLO11 pueden seguir el movimiento del enjambre en tiempo real e identificar 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 la información que necesitan para evitar que las infestaciones se agraven.

Fig. 5. Un dron integrado con Ultralytics YOLO11.

Evaluación de la salud de los cultivos y detección de daños causados por plagas#

Detectar plagas y clasificar enfermedades de las plantas es solo una parte de la solución. Comprender el alcance de los daños que estos factores causan en los cultivos es igual de importante. Ultralytics YOLO11 puede ayudar proporcionando a los agricultores información detallada sobre cómo afectan las plagas a sus cultivos mediante la segmentación de instancias.

La segmentación de instancias permite que Ultralytics YOLO11 delimite exactamente qué zonas de los cultivos han sufrido daños. Esto ayuda a los agricultores a conocer el alcance total del problema, ya sean pequeñas manchas en las hojas causadas 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 fundamentadas sobre cómo abordarlos.

Ventajas de utilizar AI y Ultralytics YOLO11 para detectar plagas#

La detección y el control de plagas no consisten únicamente en detener las infestaciones, sino también en adoptar una agricultura inteligente con herramientas innovadoras como Ultralytics YOLO11, que van más allá de los métodos tradicionales.

Estas son algunas de las principales ventajas de utilizar Ultralytics YOLO11 para detectar plagas:

• Sostenibilidad: El control preciso de plagas minimiza el impacto medioambiental al evitar aplicaciones generalizadas de pesticidas.
• Información sobre la salud de los cultivos: Además de las plagas, Ultralytics YOLO11 puede identificar los primeros signos de enfermedades de las plantas, ayudando a los agricultores a abordar los problemas de forma proactiva.
• Implementación escalable: Ya se trate de un pequeño invernadero o de una extensa explotación agrícola, Ultralytics YOLO11 puede escalar para satisfacer las necesidades de distintos entornos agrícolas.
• Ahorro de costes: Al reducir los residuos, la mano de obra y el uso excesivo de pesticidas, Ultralytics YOLO11 permite reducir considerablemente los costes a largo plazo.

Como cualquier tecnología, las soluciones de AI de visión y visión por ordenador pueden tener sus propias limitaciones, como hacer frente a factores medioambientales y depender de datos de alta calidad. La parte positiva es que nuestros modelos, como Ultralytics YOLO11, se revisan constantemente para ofrecer el mejor rendimiento. Con actualizaciones y mejoras periódicas, son cada vez más fiables y adaptables para satisfacer las exigencias de la agricultura moderna.

Aprovecha las ventajas de la agricultura inteligente#

Gestionar las plagas es todo un desafío, pero abordar los problemas en una fase temprana puede marcar la diferencia. Ultralytics YOLO11 ayuda a los agricultores a identificar rápidamente las plagas y a señalar exactamente dónde es necesario actuar. Un pequeño problema de plagas puede agravarse rápidamente, pero conocer su ubicación exacta permite a los agricultores actuar con precisión y evitar el desperdicio de recursos.

En última instancia, la AI y la agricultura inteligente están haciendo que la actividad agrícola sea más eficiente y sostenible. Herramientas como la visión por ordenador y Ultralytics YOLO11 también pueden ayudar a los agricultores en tareas como supervisar la salud de las plantas y tomar mejores decisiones basadas en datos. Esto se traduce en cultivos más sanos, menos residuos y prácticas agrícolas más inteligentes, allanando el camino hacia un futuro agrícola más resiliente y productivo.

Visita nuestro repositorio de GitHub para aprender sobre AI y participar en nuestra comunidad. Descubre cómo impulsamos la innovación en sectores como la AI en la fabricación y la visión por ordenador en la sanidad.