Comment SOWIT utilise Ultralytics YOLO pour une agriculture plus intelligente

SOWIT associe l'agronomie, l'ingénierie et les logiciels pour aider les exploitations agricoles à prendre de meilleures décisions à partir des données de terrain. L'une de ses applications pratiques 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 de vision par ordinateur reproductible.

Le projet montre comment l'IA de vision peut soutenir l'agriculture lorsqu'elle est conçue autour d'un problème opérationnel spécifique : collecter des images représentatives, détecter les fruits de manière cohérente et transformer ces détections en informations que les équipes agricoles peuvent utiliser pour la planification.

Le défi : estimer les rendements dans un grand verger#

SOWIT a collaboré avec une ferme d'agrumes située entre Marrakech et Imintanout, au Maroc. Sur environ 180 hectares, l'estimation du nombre de fruits sur les arbres était essentielle pour la planification des récoltes, l'attribution de la main-d'œuvre, les ventes et la logistique.

L'estimation traditionnelle des rendements repose sur des personnes comptant manuellement les fruits sur des arbres échantillonnés et extrapolant les résultats à l'ensemble du verger. Cette approche peut être coûteuse et longue, 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 requises pour la récolte.

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

Pourquoi SOWIT a choisi Ultralytics YOLO#

SOWIT a développé la solution initiale avec YOLOv5 d'Ultralytics. Les modèles YOLO traitent une image en une seule passe d'inférence et renvoient l'emplacement et la classe de chaque objet détecté. Pour ce cas d'usage, les objets sont des fruits individuels sur un arbre.

La détection d'objets est bien adaptée au problème car le système doit faire plus que simplement déterminer si des fruits sont présents. Il doit localiser plusieurs fruits sur la même image afin que les détections puissent être comptées. Une inférence efficace permet également de traiter de nombreuses images de terrain de manière pratique sans introduire de long délai dans le flux de travail.

Le modèle n'est qu'une partie d'un système plus vaste. Une estimation fiable 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 rencontrées dans le verger. L'éclairage, le feuillage, l'occlusion, la taille des fruits, l'angle de la caméra et la variété des cultures peuvent tous affecter les performances.

Comment fonctionne le flux de travail de SOWIT#

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

1. Définir la parcelle#

L'utilisateur sélectionne la parcelle agricole, cartographie ses limites et enregistre les informations pertinentes telles que le type de culture, le nombre d'arbres et les pratiques de culture. Ce contexte relie chaque échantillon d'image à la bonne partie de l'exploitation.

2. Sélectionner des arbres représentatifs#

L'application détermine combien d'arbres doivent être échantillonnés pour atteindre la marge d'erreur cible. Un plan d'échantillonnage structuré aide à réduire les biais et rend les résultats plus comparables d'une parcelle et d'une saison à l'autre.

3. Capturer des images#

L'utilisateur prend en photo l'avant et l'arrière de chaque arbre échantillonné. Capturer les deux côtés améliore la couverture là où les feuilles, les branches ou d'autres fruits masquent des parties de la canopée.

4. Détecter et compter les fruits#

Les images sont envoyées pour l'inférence. Le modèle YOLO identifie chaque fruit individuel, et l'application convertit ces détections en comptes pour les arbres échantillonnés.

5. Estimer le rendement#

Les comptes échantillonnés sont combinés avec les informations de la parcelle pour estimer le rendement dans tout le verger. Les équipes agricoles peuvent ensuite utiliser le résultat pour éclairer la planification commerciale et opérationnelle.

Youssef Sridi, directeur technique de la ferme Mfruits, a décrit la valeur pratique de l'application : « L'utilisation de l'application de SOWIT nous a aidés à estimer avec précision nos rendements, en temps opportun et avec une grande précision, tout en économisant des ressources sur le terrain. »

Valeur opérationnelle pour les équipes agricoles#

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

• Estimations plus reproductibles : Un flux de travail défini pour les images et l'échantillonnage réduit les variations entre les différents compteurs.
• Moins de comptage manuel : Les équipes peuvent passer moins de temps à inspecter chaque arbre et plus de temps à agir sur les informations obtenues.
• Planification plus précoce : Des estimations opportunes peuvent faciliter la planification des récoltes, la dotation en personnel, le transport, le stockage et les discussions sur les ventes.
• Un processus de données réutilisable : Les images et les résultats des modèles créent une base pour évaluer les performances au fil du temps et améliorer le système à mesure que les conditions de terrain changent.

Ces avantages dépendent du maintien de la qualité du modèle. Les équipes doivent évaluer la précision sur les données des fermes où le système fonctionnera, examiner les cas d'échec et réentraîner 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 par rapport aux conditions réelles d'exploitation et le déployer au sein d'une application qui résout un problème utilisateur clair.

Pour les nouveaux projets, Ultralytics YOLO26 est le dernier modèle stable et le point de départ recommandé. Ton équipe peut comparer les tailles de modèles et les formats d'exportation pour choisir l'équilibre entre précision, latence et compatibilité matérielle qui s'adapte le mieux à un déploiement sur le terrain, en périphérie ou dans le cloud.

Gestion du cycle de vie de la vision par ordinateur avec Ultralytics Platform#

Ultralytics Platform fournit un espace de travail unique pour faire passer un projet de vision par ordinateur des données à la production. Ton équipe qui crée une application agricole peut utiliser la Platform pour :

• Trouver et organiser des jeux de données d'images.
• Annoter des données et accélérer le balisage grâce à l'annotation automatique.
• Entraîner des modèles Ultralytics YOLO dans le cloud ou sur une infrastructure locale.
• Examiner les métriques des modèles et comparer les expériences.
• Déployer des modèles pour l'inférence sur les cibles prises en charge.
• Surveiller les flux de travail de 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 peut rencontrer par la suite des variétés, une météo, un éclairage, des stades de croissance ou des appareils photo différents. Maintenir connectés les jeux de données, les expériences, les déploiements et la surveillance facilite la gestion de ces changements.

Construire une IA de vision pratique pour l'agriculture#

Les projets de vision par ordinateur les plus solides commencent par la décision opérationnelle qu'ils doivent améliorer. Dans le cas de SOWIT, l'objectif n'était pas simplement de détecter des fruits sur une image ; il s'agissait de produire une estimation opportune du rendement que les agriculteurs pourraient utiliser.

Les équipes planifiant des systèmes similaires doivent définir la méthode d'échantillonnage, les métriques de succès, l'environnement d'inférence et le processus de révision humaine avant la mise à l'échelle. Elles doivent également tester dans des conditions de terrain réalistes, y compris un éclairage difficile et des fruits partiellement masqués, et confirmer que le déploiement fonctionne avec la connectivité et le matériel disponibles.

Le travail de SOWIT démontre comment Ultralytics YOLO peut traduire des images de terrain en informations agricoles utiles. Avec les modèles YOLO modernes et Ultralytics Platform prenant en charge l'ensemble du cycle de vie de la vision par ordinateur, les équipes peuvent s'appuyer sur ce modèle pour développer des systèmes d'IA de vision maintenables pour les fermes et d'autres environnements du monde réel.

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