Aprovecha Ultralytics YOLO11 y la detección de objetos para controlar 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 todo 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 provoca una pérdida de tiempo, capital y recursos, además de daños en los cultivos, una reducción de las cosechas y un aumento de los costes. Se espera que el mercado del control de plagas alcance los 32.800 millones de dólares en 2028, por lo que contar con mejores soluciones es más importante que nunca.

Aquí es donde tecnologías como la inteligencia artificial (AI) y la visión artificial pueden ayudar. Los nuevos avances están cambiando la forma en que los agricultores combaten las plagas, y modelos de visión artificial como Ultralytics YOLO11 forman parte de ese cambio. A partir de imágenes y vídeos, YOLO11 puede analizar los cultivos para detectar plagas pronto, prevenir daños y facilitar una agricultura precisa y eficiente. Estas soluciones de agricultura inteligente permiten ahorrar tiempo, reducir residuos y proteger las cosechas.

En este artículo veremos cómo se puede utilizar Ultralytics YOLO11 para controlar las plagas, cuáles son sus funciones principales y qué ventajas ofrece para hacer que la agricultura sea más inteligente y eficiente.

Uso de tareas de visión artificial, 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 solo detectan los problemas cuando el daño ya está hecho. Para entonces, las plagas ya se han propagado, causando pérdidas en los cultivos y desperdicio de recursos. Los estudios muestran que las plagas destruyen cada año entre el 20 % y el 40 % de la producción agrícola mundial.

La IA visual ofrece una nueva forma de resolver este problema. Las cámaras de IA de alta resolución integradas con visión artificial pueden utilizarse para vigilar los cultivos las 24 horas y detectar plagas. La detección temprana ayuda a los agricultores a detener rápidamente las plagas antes de que causen daños importantes.

Fig. 1. Ejemplo de visión artificial que identifica plagas difíciles de detectar a simple vista.

Ultralytics YOLO11 admite tareas de visión artificial, como la detección de objetos, que permite identificar plagas en imágenes o vídeos, y la clasificación de imágenes, que las categoriza para ayudar a los agricultores a supervisar y abordar los problemas de plagas con más eficacia. Los agricultores incluso pueden entrenar YOLO11 con sus propios datos para reconocer plagas concretas que amenazan sus campos.

Por ejemplo, un productor de arroz del Sudeste Asiático podría tener problemas con la cigarrilla marrón, una plaga importante que daña los cultivos de arroz de la región. Mientras tanto, un productor de trigo de Norteamérica podría enfrentarse a plagas como los pulgones o la mosca de Hesse, conocidas por reducir las cosechas de trigo. Esta flexibilidad permite adaptar Ultralytics YOLO11 a los retos específicos de distintos cultivos y regiones, ofreciendo soluciones de control de plagas personalizadas.

Descubre las funciones de nueva generación de Ultralytics YOLO11#

Quizá te preguntes: entre tantos modelos de visión artificial, ¿qué hace que YOLO11 sea tan especial? YOLO11 destaca porque es más eficiente, preciso y versátil que las versiones anteriores de los modelos YOLO. Por ejemplo, YOLO11m obtiene una precisión media promedio (mAP) más alta en el conjunto de datos COCO que YOLOv8m —una medida de la precisión con la que el modelo detecta objetos— y utiliza un 22 % menos de parámetros. En esencia, los parámetros son los componentes básicos que utiliza un modelo para aprender y hacer predicciones; por tanto, menos parámetros significan un modelo más rápido y ligero. Este equilibrio entre velocidad y precisión es lo que distingue a YOLO11.

Fig. 2. Ultralytics YOLO11 ofrece mejores resultados 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 cajas delimitadoras orientadas, tareas que quienes utilizan Ultralytics YOLOv8 ya conocerán. Estas capacidades, junto con la facilidad de uso de YOLO11, permiten implementar con rapidez y eficacia soluciones para identificar, seguir y analizar objetos en distintas aplicaciones, sin necesidad de una curva de aprendizaje pronunciada.

Además, Ultralytics YOLO11 está optimizado tanto para dispositivos de borde como para plataformas en la nube, por lo que ofrece un buen rendimiento en una amplia variedad de hardware. Tanto si se utiliza en conducción autónoma como en agricultura o automatización industrial, YOLO11 ofrece resultados rápidos, precisos y fiables, lo que lo convierte en una excelente opción para las aplicaciones de visión artificial en tiempo real.

Entrenamiento personalizado de Ultralytics YOLO11: más de cerca#

Entonces, ¿cómo funciona en la práctica el entrenamiento personalizado de Ultralytics YOLO11? Imagina a un agricultor que tiene que hacer frente a escarabajos que amenazan sus cultivos. Al entrenar YOLO11 con un conjunto de datos de imágenes etiquetadas que muestran escarabajos en distintas situaciones, el modelo aprende a reconocerlos con precisión. Así, el agricultor puede crear una solución adaptada a su problema concreto con estas plagas. La capacidad de YOLO11 para adaptarse a distintas plagas y regiones ofrece a los agricultores una herramienta fiable para proteger sus cultivos.

Fig. 3. Ultralytics YOLO11 puede utilizarse para detectar escarabajos con precisión y aplicar un control de plagas específico.

Así puede un agricultor entrenar Ultralytics YOLO11 para detectar escarabajos:

• Recopila el conjunto de datos: El primer paso consiste en recopilar datos o encontrar un conjunto de datos ya existente, con imágenes de escarabajos en los cultivos e imágenes sin escarabajos para poder compararlas.
• Etiqueta los datos: Los datos recopilados pueden etiquetarse con una herramienta como Roboflow, dibujando cajas delimitadoras 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 incluye las anotaciones.
• Entrena el modelo: A continuación, el conjunto de datos etiquetado puede utilizarse para entrenar Ultralytics YOLO11 y ajustar 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: Una vez listo, el modelo puede implementarse en drones, dispositivos periféricos o cámaras en el campo. Estas herramientas pueden analizar vídeo en tiempo real para detectar escarabajos pronto y ayudar al agricultor a tomar medidas específicas.

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

Aplicaciones de la detección de plagas con visión artificial#

Ahora que hemos repasado las funciones de Ultralytics YOLO11 y cómo entrenarlo con tus propios datos, veamos algunas de las 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 los cultivos sanos. Ultralytics YOLO11 puede abordar ambos retos gracias a sus avanzadas capacidades de detección de objetos y clasificación de imágenes.

Por ejemplo, imagina que un agricultor tiene problemas con pulgones y oídio en sus cultivos. Ultralytics YOLO11 puede entrenarse para detectar pulgones, que quizá sean visibles en el envés de las hojas, y también para identificar los primeros signos de oídio, una enfermedad fúngica que provoca manchas blancas y polvorientas en la superficie de las plantas.

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

Como las infestaciones de pulgones suelen debilitar la planta y crear condiciones propicias para las enfermedades, detectar ambos problemas a la vez permite al agricultor tomar medidas precisas, como aplicar los tratamientos adecuados en las zonas afectadas.

Seguimiento de los movimientos de las plagas para evitar que se propaguen#

Es importante saber dónde están las plagas, pero entender cómo se mueven puede ser igual de clave. Las plagas no se quedan en un sitio: se propagan y, a menudo, causan más daños a su paso. Con el seguimiento de objetos, YOLO11 puede captar algo más que un instante concreto. Puede seguir el movimiento de las plagas en vídeos y ayudar a los agricultores a ver cómo aumentan y se extienden las infestaciones.

Por ejemplo, imagina una nube de langostas que avanza por un campo de trigo. Los drones equipados con Ultralytics YOLO11 pueden seguir su movimiento en tiempo real e identificar las zonas de mayor riesgo. Con esta información, los agricultores pueden actuar rápidamente, aplicar tratamientos específicos o instalar barreras para detener la nube antes de que cause demasiados daños. La capacidad de seguimiento de YOLO11 ofrece 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. También es fundamental comprender hasta qué punto estos factores dañan los cultivos. Ultralytics YOLO11 puede ayudar ofreciendo a los agricultores información detallada sobre cómo afectan las plagas a sus cultivos mediante la segmentación de instancias.

La segmentación de instancias permite a Ultralytics YOLO11 delimitar exactamente las zonas de los cultivos que han sufrido daños. Así, los agricultores pueden ver el alcance total del problema, ya sean pequeñas manchas de enfermedad en las hojas o partes más grandes de la planta dañadas por plagas. Con esta información, pueden evaluar mejor los daños y tomar decisiones más fundamentadas sobre cómo abordarlos.

Ventajas de utilizar IA y Ultralytics YOLO11 para detectar plagas#

La detección y el control de plagas no consisten solo en detener las infestaciones: también implican 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 de plagas de precisión minimiza el impacto medioambiental al evitar la aplicación indiscriminada 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 y ayudar a los agricultores a abordar los problemas de forma proactiva.
• Implementación escalable: Tanto si se trata de un pequeño invernadero como de una extensa explotación agrícola, Ultralytics YOLO11 puede adaptarse a las necesidades de distintas instalaciones 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, la IA visual y las soluciones de visión artificial pueden tener sus propias limitaciones, como las dificultades para gestionar los factores ambientales y la dependencia de datos de alta calidad. La ventaja es que nuestros modelos, como Ultralytics YOLO11, se revisan constantemente para ofrecer el mejor rendimiento. Gracias a las actualizaciones y mejoras periódicas, son cada vez más fiables y adaptables a las necesidades de la agricultura moderna.

Aprovechar las ventajas de la agricultura inteligente#

Controlar las plagas es complicado, pero abordar los problemas a tiempo puede marcar la diferencia. Ultralytics YOLO11 ayuda a los agricultores a identificar rápidamente las plagas y a localizar con precisión dónde hay que actuar. Un pequeño problema de plagas puede agravarse enseguida, pero conocer su ubicación exacta permite a los agricultores actuar con precisión y evitar malgastar recursos.

En definitiva, la IA y la agricultura inteligente están haciendo que la agricultura sea más eficiente y sostenible. Herramientas como la visión artificial y Ultralytics YOLO11 también pueden ayudar a los agricultores con 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, que abren el camino a un futuro agrícola más resiliente y productivo.

Visita nuestro repositorio de GitHub para informarte sobre la IA y participar en nuestra comunidad. Descubre cómo impulsamos la innovación en sectores como la IA en la fabricación y la visión artificial en la sanidad.