Cómo utiliza SOWIT Ultralytics YOLO para una agricultura más inteligente

SOWIT reúne agronomía, ingeniería y software para ayudar a las explotaciones agrícolas a tomar mejores decisiones a partir de los datos del campo. Una de sus aplicaciones prácticas utiliza la detección de objetos de Ultralytics YOLO para estimar el rendimiento de cítricos a partir de imágenes, sustituyendo un proceso manual lento por un flujo de trabajo de visión por ordenador repetible.

El proyecto muestra cómo la IA de visión puede ayudar a la agricultura cuando se diseña en torno a un problema operativo concreto: recopilar imágenes representativas, detectar la fruta de forma coherente y convertir esas detecciones en información que los equipos agrícolas puedan utilizar para planificar.

El reto: estimar el rendimiento en un huerto grande#

SOWIT trabajó con una explotación de cítricos situada entre Marrakech e Imintanout, Marruecos. En unas 180 hectáreas, aproximadamente, estimar el número de frutos de los árboles era esencial para planificar la cosecha, asignar mano de obra, gestionar las ventas y organizar la logística.

La estimación tradicional del rendimiento depende de que las personas cuenten manualmente los frutos de los árboles muestreados y extrapolen los resultados a todo el huerto. Este enfoque puede ser costoso y requerir mucho tiempo, y los resultados pueden variar entre observadores. Cuando las estimaciones se retrasan o son incoherentes, las explotaciones disponen de información menos fiable para negociar con los compradores y preparar los recursos necesarios para la cosecha.

SOWIT necesitaba un método que funcionara con equipos que los agricultores ya tuvieran, que encajara en las operaciones de campo y que produjera resultados coherentes sin tener que contar a mano cada fruto.

Por qué SOWIT seleccionó Ultralytics YOLO#

SOWIT desarrolló la solución original con Ultralytics YOLOv5. Los modelos YOLO procesan una imagen en una única pasada de inferencia y devuelven la ubicación y la clase de cada objeto detectado. En este caso de uso, los objetos son frutos individuales de un árbol.

La detección de objetos se adapta bien al problema porque el sistema debe hacer algo más que decidir si hay frutos. Tiene que localizar varios frutos en la misma imagen para poder contar las detecciones. La inferencia eficiente también permite procesar muchas imágenes de campo sin introducir una espera prolongada en el flujo de trabajo.

El modelo es una parte de un sistema más amplio. Una estimación fiable del rendimiento también depende de contar con datos de entrenamiento representativos, una captura de imágenes coherente, un muestreo adecuado y una validación en las condiciones del huerto. La iluminación, el follaje, la oclusión, el tamaño de los frutos, el ángulo de la cámara y la variedad del cultivo pueden afectar al rendimiento.

Cómo funciona el flujo de trabajo de SOWIT#

SOWIT integró el modelo en su aplicación SOYFIELD, proporcionando a los agricultores un proceso guiado para recopilar la información necesaria para realizar una estimación.

1. Define la parcela#

El usuario selecciona la parcela, traza sus límites y registra información relevante, como el tipo de cultivo, el número de árboles y las prácticas de cultivo. Este contexto vincula cada muestra de imagen con la parte correcta de la explotación.

2. Selecciona árboles representativos#

La aplicación determina cuántos árboles deben muestrearse para alcanzar el margen de error objetivo. Un plan de muestreo estructurado ayuda a reducir el sesgo y hace que los resultados sean más comparables entre parcelas y temporadas.

3. Captura imágenes#

El usuario fotografía la parte delantera y trasera de cada árbol muestreado. Capturar ambos lados mejora la cobertura cuando las hojas, las ramas u otros frutos ocultan partes de la copa.

4. Detecta y cuenta los frutos#

Las imágenes se envían para realizar la inferencia. El modelo YOLO identifica cada fruto y la aplicación convierte esas detecciones en recuentos de los árboles muestreados.

5. Estima el rendimiento#

Los recuentos de la muestra se combinan con la información de la parcela para estimar el rendimiento de todo el huerto. A continuación, los equipos agrícolas pueden utilizar el resultado para orientar la planificación comercial y operativa.

Youssef Sridi, director técnico de la explotación Mfruits, describió el valor práctico de la aplicación: «Utilizar la aplicación de SOWIT nos ayudó a estimar nuestros rendimientos con precisión y a tiempo, al tiempo que ahorrábamos recursos de campo».

Valor operativo para los equipos agrícolas#

La visión por ordenador no elimina la necesidad de contar con conocimientos agronómicos. Proporciona a esos conocimientos una herramienta de medición más rápida y coherente.

• Estimaciones más repetibles: Un flujo de trabajo definido para la captura de imágenes y el muestreo reduce la variación entre los distintos encargados del recuento.
• Menos recuento manual: Los equipos pueden dedicar menos tiempo a inspeccionar cada árbol y más a actuar a partir de la información obtenida.
• Planificación más temprana: Las estimaciones oportunas pueden ayudar a programar la cosecha, organizar el personal, el transporte y el almacenamiento, y preparar las conversaciones sobre ventas.
• Un proceso de datos reutilizable: Las imágenes y los resultados del modelo crean una base para evaluar el rendimiento con el tiempo y mejorar el sistema a medida que cambian las condiciones del campo.

Estos beneficios dependen de mantener la calidad del modelo. Los equipos deben evaluar la precisión con datos de las explotaciones donde funcionará el sistema, revisar los casos de error y volver a entrenarlo cuando cambien los cultivos, las temporadas, las cámaras o las condiciones operativas.

De YOLOv5 a los modelos Ultralytics YOLO actuales#

El proyecto de SOWIT se desarrolló con YOLOv5, un modelo importante en la evolución de la familia Ultralytics YOLO. El flujo de trabajo subyacente sigue siendo relevante: preparar un conjunto de datos representativo, entrenar un modelo de detección de objetos, validarlo en condiciones operativas reales y desplegarlo dentro de una aplicación que resuelva un problema claro del usuario.

Para proyectos nuevos, Ultralytics YOLO26 es el modelo estable más reciente y el punto de partida recomendado. Los equipos pueden comparar tamaños de modelo y formatos de exportación para elegir el equilibrio entre precisión, latencia y compatibilidad de hardware que mejor se adapte a un despliegue en campo, en el edge o en la nube.

Gestionar el ciclo de vida de la visión por ordenador con Ultralytics Platform#

Ultralytics Platform proporciona un único espacio de trabajo para llevar un proyecto de IA de visión desde los datos hasta producción. Un equipo que desarrolle una aplicación agrícola puede utilizar Platform para:

• Obtener y organizar conjuntos de datos de imágenes.
• Anotar datos y acelerar el etiquetado mediante la autoanotación.
• Entrenar modelos Ultralytics YOLO en la nube o en una infraestructura local.
• Revisar las métricas del modelo y comparar experimentos.
• Desplegar modelos para realizar inferencias en los destinos compatibles.
• Supervisar los flujos de trabajo en producción y seguir mejorando el modelo con nuevos datos de campo.

Este ciclo de vida es importante porque los entornos agrícolas no son estáticos. Un modelo entrenado con un huerto o una temporada puede encontrarse más adelante con variedades, condiciones meteorológicas, iluminación, fases de crecimiento o dispositivos de cámara diferentes. Mantener conectados los conjuntos de datos, los experimentos, los despliegues y la supervisión facilita la gestión de esos cambios.

Crear IA de visión práctica para la agricultura#

Los proyectos de visión por ordenador más sólidos comienzan con la decisión operativa que necesitan mejorar. En el caso de SOWIT, el objetivo no era simplemente detectar frutos en una imagen, sino producir una estimación oportuna del rendimiento que los agricultores pudieran utilizar.

Los equipos que planifiquen sistemas similares deben definir el método de muestreo, las métricas de éxito, el entorno de inferencia y el proceso de revisión humana antes de ampliar el sistema. También deben probarlo en condiciones de campo realistas, incluida una iluminación difícil y frutos parcialmente ocluidos, y confirmar que el despliegue funciona con la conectividad y el hardware disponibles.

El trabajo de SOWIT demuestra cómo Ultralytics YOLO puede convertir imágenes de campo en información agrícola útil. Con los modelos YOLO modernos y Ultralytics Platform como soporte para todo el ciclo de vida de la visión por ordenador, los equipos pueden basarse en este enfoque para desarrollar sistemas de IA de visión mantenibles para explotaciones agrícolas y otros entornos del mundo real.

Explora Ultralytics Platform para empezar a crear y gestionar tu propio flujo de trabajo de visión por ordenador.