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

Para los agricultores, las cosechas representan algo más que una fuente de ingresos: son el resultado de meses de arduo trabajo y dedicación. Sin embargo, las plagas pueden convertir rápidamente ese trabajo duro en pérdidas. Los métodos tradicionales de control de plagas, como las inspecciones manuales y el uso generalizado de pesticidas, a menudo se quedan cortos. Esto, a su vez, genera pérdida de tiempo, capital y recursos, además de cultivos dañados, menores rendimientos y un aumento en los costos. Dado que se espera que el pest control market alcance los 32.800 millones de dólares para 2028, las mejores soluciones son más importantes que nunca.

Ahí es donde tecnologías como la inteligencia artificial (IA) y la visión artificial pueden intervenir y ayudar. Los avances de vanguardia están cambiando la forma en que los agricultores lidian con las plagas, y los modelos de visión artificial como Ultralytics YOLO11 están liderando el camino. Utilizando imágenes y vídeos, YOLO11 puede analizar los cultivos para detectar plagas a tiempo, prevenir daños y permitir una agricultura precisa y eficiente. Dichas smart agriculture solutions dan como resultado un ahorro de tiempo, una reducción de residuos y la protección de los rendimientos.

En este artículo, exploraremos cómo Ultralytics 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.

Uso 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 nuevo para resolver este problema. Se pueden utilizar High-resolution AI cameras integradas con visión artificial para monitorear los cultivos las 24 horas del día y detectar plagas. La detección temprana ayuda a los agricultores a detener rápidamente 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.

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

Por ejemplo, un agricultor de arroz en el sudeste asiático podría tener problemas con los saltaojas marrones, una plaga importante conocida por causar daños a los cultivos de arroz en la región. Mientras tanto, un agricultor de trigo en Norteamérica podría estar lidiando con plagas como los pulgones o las moscas de los tallos del trigo, que son famosas por reducir el rendimiento del trigo. Esta flexibilidad hace que Ultralytics YOLO11 sea adaptable a los retos específicos de diferentes cultivos y regiones, ofreciendo soluciones de control de plagas personalizadas.

Comprender las características de próxima generación de Ultralytics YOLO11#

Tal vez te preguntes, con tantos computer vision models ahí fuera, ¿qué hace que YOLO11 sea tan especial? YOLO11 destaca porque es más eficiente, preciso y versátil que las versiones anteriores de modelos YOLO. Por ejemplo, YOLO11m logra una precisión media superior (mAP, por sus siglas en inglés) —una medida de la precisión con la que el modelo detecta objetos— en el conjunto de datos COCO, al tiempo que utiliza 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 liviano. Este equilibrio entre velocidad y precisión es lo que hace que YOLO11 destaque.

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

Asimismo, YOLO11 admite una amplia gama de tareas, incluida la instance segmentation, el seguimiento de objetos, la estimación de postura y la detección de cuadros delimitadores orientados (OBB); tareas con las que los usuarios de Ultralytics YOLOv8 ya estarán familiarizados. Estas capacidades, combinadas con la facilidad de uso de YOLO11, hacen posible implementar de manera rápida y efectiva soluciones para identificar, rastrear y analizar objetos en diversas aplicaciones, todo ello sin una curva de aprendizaje pronunciada.

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

Una mirada más cercana al entrenamiento personalizado de Ultralytics YOLO11#

Entonces, ¿cómo funciona realmente el entrenamiento personalizado de Ultralytics YOLO11? Piensa en 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 a medida para 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. Ultralytics YOLO11 se puede utilizar para detectar escarabajos con precisión para el control dirigido de plagas.

Así es como un agricultor puede entrenar Ultralytics 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 Ultralytics YOLO11, ajustando el modelo para centrarse específicamente en la detección de escarabajos.
• Prueba y valida: El modelo entrenado se puede evaluar utilizando un conjunto de datos de prueba y performance metrics 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.

Aplicaciones de la detección de plagas con visión artificial#

Ahora que hemos repasado las características de Ultralytics YOLO11 y cómo se puede entrenar a medida, vamos a explorar algunas de las interesantes aplicaciones que permite.

Clasificación de enfermedades de plantas utilizando Ultralytics YOLO11#

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

Por ejemplo, supongamos que un agricultor se enfrenta tanto a pulgones como a oídio en sus cultivos. Se puede entrenar a Ultralytics YOLO11 para que detecte los pulgones, que pueden ser visibles en el envés de las hojas, al tiempo que identifica 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.

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.

Seguimiento 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 solo lugar: se extienden y a menudo causan más daños en el camino. Con el object tracking, YOLO11 puede capturar más que un solo momento en el tiempo. Puede rastrear el movimiento de las plagas en los vídeos, ayudando a los agricultores a ver cómo crecen y se propagan las infestaciones.

Por ejemplo, imagina un enjambre de langostas que se desplaza por un campo de trigo. Los drones equipados con Ultralytics YOLO11 pueden seguir el movimiento del enjambre en tiempo real e identificar las zonas con mayor riesgo. Con esta información, los agricultores pueden actuar rápidamente, aplicando tratamientos específicos o estableciendo barreras para detener el enjambre antes de que cause demasiados daños. La capacidad de seguimiento de YOLO11 proporciona a los agricultores los datos necesarios 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 por plagas#

La detección de plagas y la clasificación de enfermedades de las plantas es solo una parte de la solución. Comprender la magnitud de los daños causados por estos factores en los cultivos es igual de fundamental. Ultralytics YOLO11 puede ayudar con esto proporcionando a los agricultores información detallada sobre cómo las plagas están afectando a sus cultivos mediante la segmentación de instancias.

La segmentación de instancias hace posible que Ultralytics YOLO11 delinee exactamente qué zonas de los cultivos han resultado dañadas. Esto ayuda a los agricultores a ver toda la magnitud 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 informadas sobre cómo gestionarlos.

Beneficios de usar IA y Ultralytics YOLO11 para la detección de plagas#

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

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

• Sostenibilidad: El control preciso de plagas minimiza el impacto medioambiental al evitar la aplicación generalizada de pesticidas.
• Información sobre la salud de los cultivos: Más allá 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.
• Despliegue escalable: Ya sea un pequeño invernadero o una granja extensa, Ultralytics YOLO11 puede escalarse para satisfacer las necesidades de diferentes configuraciones agrícolas.
• Ahorro de costes: Al reducir los residuos, la mano de obra y el uso excesivo de pesticidas, Ultralytics YOLO11 genera importantes reducciones de costes a largo plazo.

Como cualquier tecnología, la IA de visión y las soluciones de visión artificial pueden tener sus propias limitaciones, como lidiar con factores ambientales y depender de datos de alta calidad. La parte positiva de esto 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 demandas de la agricultura moderna.

Cosechando los beneficios de la agricultura inteligente#

Gestionar las plagas es un reto, pero abordar los problemas a tiempo puede marcar la diferencia. Ultralytics YOLO11 ayuda a los agricultores identificando rápidamente las plagas y señalando exactamente dónde se requiere acción. Un pequeño problema de plagas puede escalar rápidamente, pero conocer la ubicación exacta de las plagas da a los agricultores la capacidad de actuar con precisión y evitar desperdiciar 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 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 más resiliente y productivo en la agricultura.

Visita nuestro GitHub repository para aprender sobre IA e interactuar con our community. Comprueba cómo impulsamos innovaciones en sectores como AI in manufacturing y computer vision in healthcare.