Cómo SOWIT utiliza 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 las cosechas de cítricos a partir de imágenes, sustituyendo un proceso manual lento por un flujo de trabajo de visión artificial reproducible.

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

El reto: estimar el rendimiento en un huerto grande#

SOWIT trabajó con una explotación de cítricos situada entre Marrakech e Imintanout, en Marruecos. En aproximadamente 180 hectáreas, estimar el número de frutos en los árboles era fundamental para la planificación de la cosecha, la asignación de mano de obra, las ventas y la logística.

La estimación tradicional del rendimiento depende de que las personas cuenten manualmente la fruta de los árboles de muestra 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 llegan tarde o son incoherentes, las granjas disponen de información menos fiable para negociar con los compradores y preparar los recursos necesarios para la cosecha.

SOWIT necesitaba un método que pudiera funcionar con los equipos que los agricultores ya tenían, encajar en las operaciones de campo y producir resultados coherentes sin necesidad de contar cada fruto a mano.

Por qué SOWIT seleccionó Ultralytics YOLO#

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

La detección de objetos se adapta bien al problema porque el sistema debe hacer algo más que decidir si hay fruta presente. Debe localizar varios frutos en la misma imagen para que las detecciones se puedan contar. Una inferencia eficiente también hace que sea práctico procesar muchas imágenes de campo sin introducir un retraso prolongado en el flujo de trabajo.

El modelo es solo una parte de un sistema más amplio. Una estimación fiable del rendimiento también depende de datos de entrenamiento representativos, una captura de imágenes coherente, un muestreo adecuado y la validación en las condiciones presentes en el huerto. La iluminación, el follaje, la oclusión, 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, ofreciendo a los agricultores un proceso guiado para recopilar la información necesaria para una estimación.

1. Definir la parcela#

El usuario selecciona la parcela agrícola, mapea sus límites y registra información relevante como el tipo de cultivo, el recuento de árboles y las prácticas de cultivo. Este contexto conecta cada muestra de imagen con la parte correcta de la granja.

2. Seleccionar árboles representativos#

La aplicación determina cuántos árboles deben muestrearse para cumplir con 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. Capturar imágenes#

El usuario fotografía la parte delantera y trasera de cada árbol muestreado. Capturar ambos lados mejora la cobertura en los casos en que las hojas, las ramas u otra fruta oscurecen partes de la copa.

4. Detectar y contar la fruta#

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

5. Estimar el rendimiento#

Los recuentos muestreados se combinan con la información de la parcela para estimar el rendimiento en todo el huerto. Los equipos agrícolas pueden utilizar el resultado para fundamentar la planificación comercial y operativa.

Youssef Sridi, director técnico de la granja Mfruits, describió el valor práctico de la aplicación: “Utilizar la aplicación de SOWIT nos ayudó a estimar con precisión nuestros rendimientos, de manera oportuna y con gran precisión, al tiempo que ahorrábamos recursos de campo”.

Valor operativo para los equipos agrícolas#

La visión artificial no elimina la necesidad de experiencia agronómica. Proporciona a esa experiencia una herramienta de medición más rápida y coherente.

• Estimaciones más repetibles: Un flujo de trabajo definido de imágenes y muestreo reduce la variación entre los contadores individuales.
• Menos recuento manual: Los equipos pueden dedicar menos tiempo a inspeccionar cada árbol y más tiempo a actuar sobre la información resultante.
• Planificación más temprana: Las estimaciones puntuales pueden respaldar la programación de la cosecha, la asignación de personal, el transporte, el almacenamiento y las conversaciones de ventas.
• Un proceso de datos reutilizable: Las imágenes y los resultados del modelo crean una base para evaluar el rendimiento a lo largo del 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 en los datos de las granjas donde operará el sistema, revisar los casos de fallo y reentrenar cuando cambien los cultivos, las estaciones, las cámaras o las condiciones operativas.

De YOLOv5 a los modelos actuales de Ultralytics YOLO#

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 frente a las condiciones reales de operación y desplegarlo dentro de una aplicación que resuelva un problema claro para el usuario.

Para nuevos proyectos, Ultralytics YOLO26 es el último modelo estable y el punto de partida recomendado. Los equipos pueden comparar tamaños de modelos 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 borde o en la nube.

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

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

• Obtener y organizar conjuntos de datos de imágenes.
• Anotar datos y acelerar el etiquetado con anotación automática.
• Entrenar modelos de Ultralytics YOLO en la nube o en infraestructura local.
• Revisar las métricas del modelo y comparar experimentos.
• Desplegar modelos para inferencia 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 temporada puede encontrarse más tarde con diferentes variedades, condiciones meteorológicas, iluminación, etapas de crecimiento o dispositivos de cámara. Mantener conectados los conjuntos de datos, los experimentos, los despliegues y la supervisión hace que esos cambios sean más fáciles de gestionar.

Creación de una visión artificial práctica para la agricultura#

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

Los equipos que planeen sistemas similares deben definir el método de muestreo, las métricas de éxito, el entorno de inferencia y el proceso de revisión humana antes de escalar. También deben probar en condiciones de campo realistas, incluida una iluminación difícil y fruta parcialmente oculta, y confirmar que el despliegue funciona con la conectividad y el hardware disponibles.

El trabajo de SOWIT demuestra cómo Ultralytics YOLO puede traducir las imágenes de campo en información agrícola útil. Con los modelos modernos de YOLO y Ultralytics Platform respaldando todo el ciclo de vida de la visión artificial, los equipos pueden basarse en ese patrón para desarrollar sistemas de visión artificial sostenibles para granjas y otros entornos del mundo real.

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