Mets à profit Ultralytics YOLO11 et la détection d’objets pour lutter contre les nuisibles

Pour les agriculteurs, les cultures représentent bien plus qu’une source de revenus : elles sont le fruit de plusieurs mois de travail et de dévouement. Pourtant, les ravageurs peuvent rapidement réduire ces efforts à néant. Les méthodes traditionnelles de lutte contre les ravageurs, comme les inspections manuelles et l’utilisation généralisée de pesticides, sont souvent insuffisantes. Il en résulte une perte de temps, de capital et de ressources, ainsi que des cultures endommagées, des rendements en baisse et des coûts en hausse. Alors que le marché de la lutte antiparasitaire devrait atteindre 32,8 milliards de dollars d’ici 2028, de meilleures solutions sont plus importantes que jamais.

C’est là que des technologies comme l’intelligence artificielle (AI) et la vision par ordinateur peuvent intervenir. De nouvelles avancées transforment la façon dont les agriculteurs luttent contre les ravageurs, et les modèles de vision par ordinateur comme Ultralytics YOLO11 participent à cette évolution. À partir d’images et de vidéos, YOLO11 peut analyser les cultures pour détecter rapidement les ravageurs, prévenir les dégâts et permettre une agriculture précise et efficace. Ces solutions d’agriculture intelligente font gagner du temps, réduisent le gaspillage et protègent les rendements.

Dans cet article, nous allons voir comment utiliser Ultralytics YOLO11 pour lutter contre les ravageurs, quelles sont ses principales fonctionnalités et quels avantages il offre pour rendre l’agriculture plus intelligente et plus efficace.

Utiliser des tâches de vision par ordinateur comme la détection d’objets pour détecter les ravageurs#

La lutte traditionnelle contre les ravageurs peut donner l’impression d’une course contre la montre. Les inspections manuelles sont lentes et exigeantes en main-d’œuvre, et ne détectent généralement les problèmes qu’une fois les dégâts causés. À ce stade, les ravageurs se sont déjà propagés, entraînant des pertes de récoltes et un gaspillage de ressources. Des études montrent que les ravageurs détruisent chaque année entre 20 % et 40 % de la production agricole mondiale.

L’IA visuelle propose une nouvelle approche pour résoudre ce problème. Des caméras IA haute résolution intégrant la vision par ordinateur peuvent surveiller les cultures en continu et détecter les ravageurs. Une détection précoce aide les agriculteurs à les éliminer rapidement, avant qu’ils ne causent des dégâts importants.

Fig. 1. Exemple de détection par vision par ordinateur de ravageurs difficiles à voir à l’œil nu.

Ultralytics YOLO11 prend en charge des tâches de vision par ordinateur comme la détection d’objets, qui permet d’identifier les ravageurs dans des images ou des vidéos, ainsi que la classification d’images, qui les catégorise et aide les agriculteurs à mieux surveiller les problèmes liés aux ravageurs et à y remédier. Les agriculteurs peuvent même entraîner YOLO11 sur mesure pour reconnaître les ravageurs qui menacent leurs champs.

Par exemple, un riziculteur d’Asie du Sud-Est peut être confronté à la cicadelle brune, un ravageur important connu pour endommager les rizières de la région. De son côté, un producteur de blé d’Amérique du Nord peut lutter contre des ravageurs comme les pucerons ou les tenthrèdes du blé, réputés pour réduire les rendements. Cette flexibilité permet à Ultralytics YOLO11 de s’adapter aux défis propres à différentes cultures et régions et de proposer des solutions personnalisées de lutte contre les ravageurs.

Découvrir les fonctionnalités de nouvelle génération d’Ultralytics YOLO11#

Tu te demandes peut-être ce qui rend YOLO11 si spécial parmi les nombreux modèles de vision par ordinateur disponibles. YOLO11 se distingue des versions précédentes des modèles YOLO par son efficacité, sa précision et sa polyvalence accrues. Par exemple, YOLO11m obtient une précision moyenne moyenne (mAP) plus élevée sur le jeu de données COCO que YOLOv8m, tout en utilisant 22 % de paramètres en moins. Les paramètres sont les éléments de base qu’un modèle utilise pour apprendre et faire des prédictions ; leur nombre réduit rend donc le modèle plus rapide et plus léger. C’est cet équilibre entre vitesse et précision qui distingue YOLO11.

Fig. 2. Ultralytics YOLO11 est plus performant que les modèles précédents.

De plus, YOLO11 prend en charge un large éventail de tâches, notamment la segmentation d’instances, le suivi d’objets, l’estimation de pose et la détection par boîtes englobantes orientées, que les utilisateurs d’Ultralytics YOLOv8 connaissent déjà. Associées à la facilité d’utilisation de YOLO11, ces capacités permettent de mettre en œuvre rapidement et efficacement des solutions pour identifier, suivre et analyser des objets dans diverses applications, sans nécessiter une longue prise en main.

En outre, Ultralytics YOLO11 est optimisé pour les appareils périphériques comme pour les plateformes cloud et fonctionne donc bien sur un large éventail de matériels. Qu’il soit utilisé pour la conduite autonome, l’agriculture ou l’automatisation industrielle, YOLO11 fournit des résultats rapides, précis et fiables, ce qui en fait un excellent choix pour les applications de vision par ordinateur en temps réel.

Zoom sur l’entraînement personnalisé d’Ultralytics YOLO11#

Alors, comment fonctionne réellement l’entraînement personnalisé d’Ultralytics YOLO11 ? Prenons l’exemple d’un agriculteur dont les cultures sont menacées par des coléoptères. En entraînant YOLO11 sur un jeu de données d’images annotées montrant des coléoptères dans différentes situations, le modèle apprend à les reconnaître avec précision. L’agriculteur peut ainsi créer une solution adaptée à son problème particulier de ravageurs. La capacité de YOLO11 à s’adapter aux différents ravageurs et régions offre aux agriculteurs un outil fiable pour protéger leurs cultures.

Fig. 3. Ultralytics YOLO11 peut servir à détecter précisément les coléoptères afin de cibler la lutte antiparasitaire.

Voici comment un agriculteur peut entraîner Ultralytics YOLO11 à détecter les coléoptères :

• Collecter le jeu de données : la première étape consiste à recueillir des données ou à trouver un jeu de données existant comprenant des images de coléoptères sur des cultures et des images sans coléoptères à des fins de comparaison.
• Annoter les données : pour les données recueillies, chaque image peut être annotée avec un outil comme Roboflow en traçant des boîtes englobantes autour des coléoptères et en leur attribuant l’étiquette « coléoptère ». Si un jeu de données existant est utilisé, cette étape peut être ignorée, car les annotations sont généralement déjà fournies.
• Entraîner le modèle : le jeu de données annoté peut ensuite servir à entraîner Ultralytics YOLO11 et à ajuster le modèle pour qu’il se concentre spécifiquement sur la détection des coléoptères.
• Tester et valider : le modèle entraîné peut être évalué à l’aide d’un jeu de données de test et de métriques de performance comme la précision et mAP, afin de vérifier son exactitude et sa fiabilité.
• Déployer le modèle : une fois le modèle prêt, il peut être déployé sur des drones, des appareils périphériques ou des caméras dans les champs. Ces outils peuvent analyser des flux vidéo en temps réel pour détecter rapidement les coléoptères et aider l’agriculteur à prendre des mesures ciblées.

En suivant ces étapes, les agriculteurs peuvent créer une solution personnalisée de lutte contre les ravageurs, réduire l’utilisation de pesticides, économiser des ressources et protéger leurs cultures de manière plus intelligente et durable.

Applications de la détection des ravageurs par vision par ordinateur#

Maintenant que nous avons passé en revue les fonctionnalités d’Ultralytics YOLO11 et la façon de l’entraîner sur mesure, découvrons quelques-unes des applications qu’il permet.

Classification des maladies des plantes avec Ultralytics YOLO11#

La classification des maladies des plantes et la détection des ravageurs sont étroitement liées, et toutes deux sont essentielles pour préserver la santé des cultures. Ultralytics YOLO11 peut répondre à ces deux enjeux grâce à ses capacités avancées de détection d’objets et de classification d’images.

Par exemple, imaginons qu’un agriculteur soit confronté à la fois aux pucerons et à l’oïdium dans ses cultures. Ultralytics YOLO11 peut être entraîné à détecter les pucerons, parfois visibles sur la face inférieure des feuilles, tout en repérant les premiers signes de l’oïdium, une maladie fongique qui provoque des taches blanches et poudreuses à la surface des plantes.

Fig. 4. La présence conjointe de pucerons et d’oïdium. Image de l’auteur.

Comme les infestations de pucerons affaiblissent souvent les plantes et favorisent l’apparition de maladies, détecter simultanément ces deux problèmes permet à l’agriculteur d’agir avec précision, par exemple en ciblant les zones touchées avec des traitements adaptés.

Suivre les déplacements des ravageurs pour éviter leur propagation#

Savoir où se trouvent les ravageurs est important, mais comprendre leurs déplacements peut l’être tout autant. Les ravageurs ne restent pas au même endroit : ils se propagent et causent souvent encore plus de dégâts. Grâce au suivi d’objets, YOLO11 peut saisir bien plus qu’un instant donné. Il peut suivre les déplacements des ravageurs dans des vidéos et aider les agriculteurs à voir comment les infestations se développent et se propagent.

Par exemple, imaginons un essaim de criquets traversant un champ de blé. Des drones équipés d’Ultralytics YOLO11 peuvent suivre ses déplacements en temps réel et repérer les zones les plus exposées. Grâce à ces informations, les agriculteurs peuvent agir rapidement en appliquant des traitements ciblés ou en installant des barrières pour arrêter l’essaim avant qu’il ne cause trop de dégâts. La capacité de suivi de YOLO11 fournit aux agriculteurs les informations nécessaires pour empêcher l’aggravation des infestations.

Fig. 5. Un drone équipé d’Ultralytics YOLO11.

Évaluer la santé des cultures et détecter les dégâts causés par les ravageurs#

Détecter les ravageurs et classifier les maladies des plantes ne constitue qu’une partie de la solution. Il est tout aussi essentiel de comprendre l’ampleur des dégâts qu’ils causent aux cultures. Ultralytics YOLO11 peut aider les agriculteurs à obtenir des informations détaillées sur les effets des ravageurs sur leurs cultures grâce à la segmentation d’instances.

La segmentation d’instances permet à Ultralytics YOLO11 de délimiter précisément les zones des cultures qui ont été endommagées. Les agriculteurs peuvent ainsi mesurer l’étendue du problème, qu’il s’agisse de petites taches dues à une maladie sur les feuilles ou de grandes parties de la plante abîmées par des ravageurs. Forts de ces informations, les agriculteurs peuvent mieux évaluer les dégâts et prendre des décisions plus éclairées sur la manière d’y remédier.

Avantages de l’IA et d’Ultralytics YOLO11 pour la détection des ravageurs#

La détection et la lutte contre les ravageurs ne consistent pas seulement à arrêter les infestations : il s’agit aussi d’adopter une agriculture intelligente grâce à des outils innovants comme Ultralytics YOLO11, qui vont au-delà des méthodes traditionnelles.

Voici un aperçu de quelques-uns des principaux avantages d’Ultralytics YOLO11 pour la détection des ravageurs :

• Durabilité : la lutte ciblée contre les ravageurs réduit l’impact environnemental en évitant l’épandage généralisé de pesticides.
• Informations sur la santé des cultures : au-delà des ravageurs, Ultralytics YOLO11 peut détecter les premiers signes de maladies des plantes et aider les agriculteurs à intervenir de manière préventive.
• Déploiement évolutif : qu’il s’agisse d’une petite serre ou d’une vaste exploitation, Ultralytics YOLO11 peut s’adapter aux besoins de différentes installations agricoles.
• Réduction des coûts : en réduisant le gaspillage, la main-d’œuvre et l’utilisation excessive de pesticides, Ultralytics YOLO11 permet de réaliser d’importantes économies à long terme.

Comme toute technologie, les solutions d’IA visuelle et de vision par ordinateur peuvent avoir leurs limites, notamment face aux facteurs environnementaux et lorsqu’elles dépendent de données de grande qualité. En contrepartie, nos modèles, comme Ultralytics YOLO11, sont constamment améliorés afin d’offrir les meilleures performances. Grâce aux mises à jour et aux perfectionnements réguliers, ils deviennent encore plus fiables et adaptables aux exigences de l’agriculture moderne.

Récolter les fruits de l’agriculture intelligente#

La gestion des nuisibles est difficile, mais intervenir rapidement peut tout changer. Ultralytics YOLO11 aide les agriculteurs en repérant rapidement les nuisibles et en localisant précisément les zones où une intervention est nécessaire. Une petite infestation peut vite s’aggraver, mais connaître l’emplacement exact des nuisibles permet aux agriculteurs d’agir avec précision et d’éviter le gaspillage de ressources.

En fin de compte, l’IA et l’agriculture intelligente rendent l’agriculture plus efficace et durable. Des outils comme la vision par ordinateur et Ultralytics YOLO11 peuvent aussi aider les agriculteurs à surveiller la santé des plantes et à prendre de meilleures décisions à partir des données. Cela se traduit par des cultures plus saines, moins de gaspillage et des pratiques agricoles plus intelligentes, ouvrant la voie à un avenir agricole plus résilient et productif.

Visite notre dépôt GitHub pour en savoir plus sur l’IA et échanger avec notre communauté. Découvre comment nous faisons progresser l’innovation dans des secteurs comme l’IA dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la santé.