Cómo utiliza SOWIT Ultralytics YOLO para una agricultura más inteligente

SOWIT combina agronomía, ingeniería y software para ayudar a las explotaciones agrícolas a tomar mejores decisiones a partir de los datos de campo. Una de sus aplicaciones prácticas utiliza la detección de objetos de Ultralytics YOLO para estimar la producción de cítricos a partir de imágenes y sustituir un proceso manual lento por un flujo de trabajo de visión artificial reproducible.

El proyecto muestra cómo la IA de visión puede ayudar a la agricultura cuando se diseña para resolver un problema operativo concreto: recopilar imágenes representativas, detectar la fruta de manera uniforme y convertir esas detecciones en información útil para que los equipos agrícolas planifiquen.

El reto: estimar la producción de un gran huerto#

SOWIT colaboró con una explotación de cítricos situada entre Marrakech e Imintanout, en Marruecos. En sus aproximadamente 180 hectáreas, estimar la cantidad de fruta en los árboles era esencial para planificar la cosecha, asignar mano de obra, gestionar las ventas y organizar la logística.

La estimación tradicional de la producción consiste en contar manualmente la fruta de los árboles seleccionados como muestra y extrapolar los resultados al resto del huerto. Este método puede ser costoso y llevar mucho tiempo, y los resultados pueden variar de una persona a otra. Si las estimaciones llegan tarde 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 los equipos que ya tenían los agricultores, se integrara en las tareas de campo y ofreciera resultados uniformes sin tener que contar a mano cada pieza de fruta.

Por qué SOWIT eligió Ultralytics YOLO#

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

La detección de objetos resulta adecuada para este problema porque el sistema debe hacer algo más que determinar si hay fruta. Tiene que localizar varias piezas de fruta en una misma imagen para poder contarlas. Además, la inferencia eficiente permite procesar muchas imágenes de campo sin introducir largas demoras en el flujo de trabajo.

El modelo es una parte de un sistema más amplio. La fiabilidad de la estimación de la producción también depende de contar con datos de entrenamiento representativos, capturar imágenes de manera uniforme, realizar un muestreo adecuado y validar el sistema en las condiciones del huerto. La iluminación, el follaje, las oclusiones, el tamaño de la fruta, 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, que ofrece a los agricultores un proceso guiado para recopilar la información necesaria para realizar una estimación.

1. Define la parcela#

El usuario selecciona la parcela de la explotación, delimita sus límites y registra información pertinente, como el tipo de cultivo, el número de árboles y las prácticas de cultivo. Este contexto vincula cada muestra de imágenes con la zona correcta de la explotación.

2. Selecciona árboles representativos#

La aplicación determina cuántos árboles hay que muestrear para alcanzar el margen de error previsto. Un plan de muestreo estructurado ayuda a reducir los sesgos y permite comparar mejor los resultados entre parcelas y temporadas.

3. Captura imágenes#

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

4. Detecta y cuenta la fruta#

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

5. Estima la producción#

Los recuentos de las muestras se combinan con la información de la parcela para estimar la producción de todo el huerto. Después, 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: «El uso de la aplicación de SOWIT nos ayudó a estimar nuestra producción con precisión y a tiempo, además de ahorrar recursos en el campo».

Valor operativo para los equipos agrícolas#

La visión artificial no elimina la necesidad de contar con conocimientos agronómicos. Proporciona a quienes los tienen una herramienta de medición más rápida y uniforme.

• Estimaciones más reproducibles: un proceso definido de captura de imágenes y muestreo reduce las diferencias entre quienes realizan los recuentos.
• Menos recuentos manuales: los equipos pueden dedicar menos tiempo a inspeccionar cada árbol y más a actuar a partir de la información obtenida.
• Planificación anticipada: las estimaciones oportunas pueden ayudar a planificar la cosecha, el personal, el transporte, el almacenamiento y las ventas.
• Un proceso de datos reutilizable: las imágenes y los resultados del modelo sientan las bases para evaluar el rendimiento a lo largo del tiempo y mejorar el sistema a medida que cambian las condiciones de campo.

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

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 pertinente: preparar un conjunto de datos representativo, entrenar un modelo de detección de objetos, validarlo en condiciones de funcionamiento reales e implementarlo en una aplicación que resuelva un problema concreto de los usuarios.

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

Gestión del ciclo de vida de la visión artificial con Ultralytics Platform#

Ultralytics Platform ofrece 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.
• Anota datos y acelera el etiquetado con la anotación automática.
• Entrena modelos Ultralytics YOLO en la nube o en una infraestructura local.
• Revisar las métricas de los modelos y comparar experimentos.
• Implementar modelos para realizar inferencias en los destinos compatibles.
• Supervisar los flujos de trabajo de 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 en un huerto o una temporada puede encontrarse más adelante con otras variedades, condiciones meteorológicas, niveles de iluminación, fases de crecimiento o dispositivos de cámara. Mantener conectados los conjuntos de datos, los experimentos, las implementaciones y la supervisión facilita la gestión de esos cambios.

Desarrollo de soluciones prácticas de IA de visión para la agricultura#

Los proyectos de visión artificial más sólidos parten de la decisión operativa que deben mejorar. En el caso de SOWIT, el objetivo no era simplemente detectar fruta en una imagen, sino generar 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 la escala. También deben hacer pruebas en condiciones de campo realistas, con iluminación difícil y fruta parcialmente ocluida, 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 modelos YOLO modernos y Ultralytics Platform como soporte para todo el ciclo de vida de la visión artificial, los equipos pueden basarse en este enfoque para desarrollar sistemas de IA visual fáciles de mantener en explotaciones agrícolas y otros entornos reales.

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