Comment SOWIT utilise Ultralytics YOLO pour une agriculture plus intelligente

SOWIT réunit agronomie, ingénierie et logiciels pour aider les exploitations agricoles à prendre de meilleures décisions à partir des données de terrain. L'une de ses applications concrètes utilise la détection d'objets avec Ultralytics YOLO pour estimer les rendements d'agrumes à partir d'images, en 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 autour d'un problème opérationnel précis : collecter des images représentatives, détecter les fruits de manière cohérente et transformer ces détections en informations utilisables par les équipes agricoles pour la planification.

Le défi : estimer les rendements dans un vaste verger#

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

L'estimation traditionnelle des rendements repose sur le comptage manuel des fruits par des personnes sur des arbres échantillonnés, puis sur l'extrapolation des résultats à l'ensemble du verger. Cette approche 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 à la récolte.

SOWIT avait besoin d'une méthode compatible avec le matériel que les agriculteurs possédaient déjà, intégrable aux opérations de terrain et capable de produire des résultats cohérents sans nécessiter le comptage manuel de chaque fruit.

Pourquoi SOWIT a choisi Ultralytics YOLO#

SOWIT a développé la solution originale 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'usage, les objets sont les fruits individuels présents sur un arbre.

La détection d'objets est particulièrement adaptée 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'inférence efficace permet également de traiter de nombreuses images de terrain sans introduire de délai important dans le flux de travail.

Le modèle ne constitue qu'une partie 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 approprié et d'une validation dans les conditions du verger. L'éclairage, le feuillage, l'occlusion, la taille des fruits, l'angle de la caméra et la variété cultivée peuvent tous avoir un impact sur les performances.

Comment fonctionne le flux de travail de SOWIT#

SOWIT a intégré le modèle à son application SOYFIELD, offrant aux agriculteurs un processus guidé pour collecter les informations nécessaires à une estimation.

1. Définir la parcelle#

L'utilisateur sélectionne la parcelle agricole, en cartographie les limites et enregistre des informations pertinentes telles que le type de culture, le nombre d'arbres et les pratiques culturales. Ce contexte relie chaque échantillon d'image 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 cible. Un plan d'échantillonnage structuré contribue à réduire les biais et à rendre les résultats plus comparables entre les parcelles et les saisons.

3. Capturer des images#

L'utilisateur photographie l'avant et l'arrière de chaque arbre échantillonné. Capturer les deux côtés améliore la couverture lorsque des feuilles, des branches ou d'autres fruits masquent certaines parties du houppier.

4. Détecter et compter les fruits#

Les images sont envoyées pour inférence. Le modèle YOLO identifie les fruits individuels et l'application convertit ces détections en comptages pour les arbres échantillonnés.

5. Estimer le rendement#

Les comptages de l'échantillon sont combinés aux informations sur la parcelle afin d'estimer le rendement de l'ensemble du verger. Les équipes agricoles peuvent ensuite utiliser ce 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 précisément nos rendements, rapidement et avec une grande précision, tout en économisant les ressources sur le terrain. »

Valeur opérationnelle pour les équipes agricoles#

La vision par ordinateur ne supprime pas le besoin d'expertise agronomique. Elle fournit à cette expertise un outil de mesure plus rapide et plus cohérent.

• Des estimations plus reproductibles : Un processus défini d'imagerie et d'échantillonnage 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 sur les informations obtenues.
• Une planification plus précoce : Des estimations disponibles à temps peuvent faciliter la programmation de la récolte, la gestion des effectifs, le transport, le stockage et les discussions commerciales.
• Un processus de données réutilisable : Les images et les résultats du modèle créent une base permettant d'évaluer les performances au fil du temps et d'améliorer le système lorsque les conditions de terrain évoluent.

Ces avantages dépendent du maintien de la qualité du modèle. Les équipes doivent évaluer la précision sur des 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 actuels#

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 d'exploitation réelles et le déployer dans une application qui répond à 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 afin de choisir le meilleur compromis 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 fournit un espace de travail unique pour faire passer un projet d'IA visuelle des données à la production. Une équipe développant une application agricole peut utiliser la Platform pour :

• Sourcer et organiser des jeux de données d'images.
• Annoter les données et accélérer l'étiquetage grâce à l'auto-annotation.
• Entraîner des modèles Ultralytics YOLO dans le cloud ou sur une infrastructure locale.
• Examiner les métriques du modèle et comparer les expériences.
• Déployer des modèles pour l'inférence sur les cibles prises en charge.
• Surveiller les flux de travail en production et continuer à améliorer le modèle avec de nouvelles données de terrain.

Ce cycle de vie est important, car les environnements agricoles ne sont pas statiques. Un modèle entraîné sur un verger ou une saison donnée peut ensuite rencontrer d'autres variétés, conditions météorologiques, éclairages, stades de croissance ou appareils photo. Maintenir la connexion entre les jeux de données, les expériences, les déploiements et la supervision facilite la gestion de ces changements.

Construire une IA visuelle concrète pour l'agriculture#

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

Les équipes qui prévoient des systèmes similaires doivent définir la méthode d'échantillonnage, les indicateurs de réussite, l'environnement d'inférence et le processus de revue humaine avant de passer à l'échelle. Elles doivent également tester le système dans des conditions réalistes de terrain, notamment avec un éclairage difficile et des fruits partiellement masqués, et vérifier que le déploiement fonctionne avec la connectivité et le matériel disponibles.

Le travail de SOWIT montre comment Ultralytics YOLO peut transformer des images de terrain en informations agricoles utiles. Avec les modèles YOLO modernes et Ultralytics Platform pour prendre 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 dans les exploitations agricoles et d'autres environnements réels.

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