Comment SOWIT utilise Ultralytics YOLO pour une agriculture plus intelligente

SOWIT associe agronomie, ingénierie et logiciels pour aider les exploitations agricoles à prendre de meilleures décisions à partir des données des parcelles. L’une de ses applications concrètes utilise la détection d’objets Ultralytics YOLO pour estimer les rendements d’agrumes à partir d’images, remplaçant un processus manuel lent par un flux de travail reproductible de vision par ordinateur.

Ce projet montre comment l’IA visuelle peut soutenir l’agriculture lorsqu’elle est conçue pour répondre à un problème opérationnel précis : recueillir des images représentatives, détecter les fruits de manière cohérente et transformer ces détections en informations utiles à la planification des équipes agricoles.

Le défi : estimer les rendements dans un vaste verger#

SOWIT a collaboré avec une exploitation d’agrumes située entre Marrakech et Imintanout, au Maroc. Sur environ 180 hectares, estimer le nombre de fruits sur les arbres était essentiel pour planifier les récoltes, répartir la main-d’œuvre, organiser les ventes et la logistique.

L’estimation traditionnelle des rendements repose sur le comptage manuel des fruits sur des arbres échantillonnés, puis sur l’extrapolation des résultats à l’ensemble du verger. Cette méthode peut être coûteuse et chronophage, et les résultats peuvent varier d’un observateur à l’autre. Lorsque les estimations sont tardives ou incohérentes, les exploitations disposent d’informations moins fiables pour négocier avec les acheteurs et préparer les ressources nécessaires aux récoltes.

SOWIT avait besoin d’une méthode compatible avec l’équipement dont les agriculteurs disposaient déjà, adaptée aux opérations sur le terrain et capable de produire des résultats cohérents sans compter chaque fruit à la main.

Pourquoi SOWIT a choisi Ultralytics YOLO#

SOWIT a créé la solution d’origine avec Ultralytics YOLOv5. Les modèles YOLO traitent une image en un seul passage d’inférence et renvoient l’emplacement et la classe de chaque objet détecté. Dans ce cas d’utilisation, les objets sont les fruits présents sur un arbre.

La détection d’objets convient bien à ce problème, car le système doit faire plus que déterminer si des fruits sont présents. Il doit localiser plusieurs fruits dans une même image afin de pouvoir les compter. L’efficacité de l’inférence permet aussi de traiter de nombreuses images prises sur le terrain sans imposer de longs délais au flux de travail.

Le modèle n’est qu’un élément d’un système plus vaste. La fiabilité de l’estimation des rendements dépend également de données d’entraînement représentatives, d’une capture d’images cohérente, d’un échantillonnage adapté et d’une validation dans les conditions du verger. La luminosité, le feuillage, les occultations, la taille des fruits, l’angle de la caméra et la variété cultivée peuvent tous influer sur les performances.

Fonctionnement du flux de travail de SOWIT#

SOWIT a intégré le modèle à son application SOYFIELD, qui guide les agriculteurs dans la collecte des informations nécessaires à l’estimation.

1. Définir la parcelle#

L’utilisateur sélectionne la parcelle agricole, en cartographie les limites et consigne des informations pertinentes telles que le type de culture, le nombre d’arbres et les pratiques culturales. Ce contexte permet de relier chaque échantillon d’images à la bonne partie de l’exploitation.

2. Sélectionner des arbres représentatifs#

L’application détermine le nombre d’arbres à échantillonner pour atteindre la marge d’erreur visée. Un plan d’échantillonnage structuré contribue à réduire les biais et à rendre les résultats plus comparables d’une parcelle et d’une saison à l’autre.

3. Capturer des images#

L’utilisateur photographie l’avant et l’arrière de chaque arbre échantillonné. La capture des deux côtés améliore la couverture lorsque des feuilles, des branches ou d’autres fruits masquent certaines parties de la canopée.

4. Détecter et compter les fruits#

Les images sont envoyées pour l’inférence. Le modèle YOLO détecte les fruits individuels et l’application convertit ces détections en nombres pour les arbres échantillonnés.

5. Estimer le rendement#

Les nombres obtenus par échantillonnage sont combinés aux informations sur la parcelle pour estimer le rendement du verger. Les équipes agricoles peuvent ensuite utiliser le résultat pour orienter la planification commerciale et opérationnelle.

Youssef Sridi, directeur technique de l’exploitation Mfruits, a décrit la valeur concrète de l’application : « L’utilisation de l’application SOWIT nous a aidés à estimer nos rendements avec précision et dans les délais, tout en économisant des ressources sur le terrain. »

Valeur opérationnelle pour les équipes agricoles#

La vision par ordinateur ne remplace pas l’expertise agronomique. Elle fournit à cette expertise un outil de mesure plus rapide et plus cohérent.

• Des estimations plus reproductibles : un processus défini d’échantillonnage et de capture d’images réduit les écarts entre les personnes chargées du comptage.
• Moins de comptage manuel : les équipes peuvent consacrer moins de temps à inspecter chaque arbre et davantage à agir en fonction des informations obtenues.
• Une planification plus précoce : des estimations réalisées en temps utile peuvent faciliter la planification des récoltes, des effectifs, du transport, du stockage et des ventes.
• Un processus de données réutilisable : les images et les résultats du modèle constituent une base pour évaluer les performances au fil du temps et améliorer le système en fonction de l’évolution des conditions sur le terrain.

Ces avantages dépendent du maintien de la qualité du modèle. Les équipes doivent évaluer sa précision à partir de données provenant des exploitations où le système sera utilisé, examiner les cas d’échec et réentraîner le modèle lorsque les cultures, les saisons, les caméras ou les conditions d’exploitation changent.

De YOLOv5 aux modèles Ultralytics YOLO d’aujourd’hui#

Le projet de SOWIT a été développé avec YOLOv5, un modèle important dans l’évolution de la famille Ultralytics YOLO. Le flux de travail sous-jacent reste pertinent : préparer un jeu de données représentatif, entraîner un modèle de détection d’objets, le valider dans des conditions réelles d’exploitation et le déployer dans une application qui résout un problème utilisateur clairement défini.

Pour les nouveaux projets, Ultralytics YOLO26 est le dernier modèle stable et le point de départ recommandé. Les équipes peuvent comparer les tailles de modèles et les formats d’exportation pour choisir le meilleur équilibre entre précision, latence et compatibilité matérielle pour un déploiement sur le terrain, en périphérie ou dans le cloud.

Gérer le cycle de vie de la vision par ordinateur avec Ultralytics Platform#

Ultralytics Platform propose un espace de travail unique pour faire passer un projet d’IA visuelle des données à la production. Une équipe qui développe une application agricole peut utiliser la Platform pour :

• Importer et organiser des jeux de données d’images.
• Annote les données et accélère l’étiquetage grâce à l’annotation automatique.
• Entraîne les modèles Ultralytics YOLO dans le cloud ou sur une infrastructure locale.
• Examiner les métriques du modèle et comparer les expériences.
• Déployer les modèles pour l’inférence sur les cibles prises en charge.
• Surveiller les flux de travail en production et continuer à améliorer le modèle à l’aide de nouvelles données de terrain.

Ce cycle de vie est important, car les environnements agricoles ne sont pas statiques. Un modèle entraîné dans un verger ou une saison peut ensuite rencontrer d’autres variétés, conditions météorologiques, luminosités, stades de croissance ou appareils photo. En reliant les jeux de données, les expériences, les déploiements et la surveillance, il devient plus facile de gérer ces changements.

Développer une IA visuelle pratique pour l’agriculture#

Les meilleurs projets de vision par ordinateur commencent par définir la décision opérationnelle qu’ils doivent améliorer. Dans le cas de SOWIT, l’objectif n’était pas simplement de détecter les fruits dans une image, mais de produire une estimation du rendement en temps utile pour les agriculteurs.

Les équipes qui planifient des systèmes similaires devraient définir la méthode d’échantillonnage, les indicateurs de réussite, l’environnement d’inférence et le processus de vérification humaine avant de passer à l’échelle. Elles devraient également effectuer des tests dans des conditions de terrain réalistes, notamment avec un éclairage difficile et des fruits partiellement occultés, et confirmer que le déploiement fonctionne avec la connectivité et le matériel disponibles.

Le travail de SOWIT montre comment Ultralytics YOLO peut transformer des images prises sur le terrain en informations agricoles utiles. Grâce aux modèles YOLO modernes et à Ultralytics Platform, qui prend en charge l’ensemble du cycle de vie de la vision par ordinateur, les équipes peuvent s’appuyer sur cette approche pour développer des systèmes d’IA visuelle faciles à maintenir, destinés aux exploitations agricoles et à d’autres environnements réels.

Découvre Ultralytics Platform pour commencer à créer et à gérer ton propre flux de travail de vision par ordinateur.