Ultralytics YOLO11 et la vision par ordinateur dans le phénotypage végétal

L’agriculture est essentielle à notre approvisionnement alimentaire, et les chercheurs cherchent constamment des moyens d’optimiser les processus liés à un enjeu majeur : le changement climatique. Alors que le réchauffement planétaire perturbe les saisons de croissance et que la population mondiale augmente, il est réellement nécessaire de développer des cultures capables de résister à des environnements en constante évolution. Le phénotypage des plantes constitue un volet essentiel de cette recherche.

Le phénotypage des plantes consiste à étudier leurs propriétés, comme leur taille, leur couleur, leur croissance et la structure de leurs racines. En comprenant comment les plantes réagissent à différentes conditions, nous pouvons identifier celles qui sont les mieux équipées pour résister à la sécheresse, à la chaleur ou à des sols pauvres. Ces données peuvent servir à décider quelles cultures sélectionner pour la reproduction afin d’accroître la productivité agricole.

En général, le phénotypage des plantes repose sur des observations visuelles manuelles, qui peuvent être chronophages et exigeantes en main-d’œuvre. La vision par ordinateur, une branche de l’intelligence artificielle (AI), peut révolutionner notre manière d’étudier les plantes. Grâce à la vision par ordinateur appliquée au phénotypage des plantes, nous pouvons détecter et analyser automatiquement les plantes à partir d’images ou de vidéos, ce qui améliore considérablement la rapidité, la cohérence et la précision.

Par exemple, des modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent traiter de très grands volumes de données visuelles sur les plantes, capturées par des drones, des robots terrestres ou des appareils portatifs. Grâce à sa prise en charge de diverses tâches de vision par ordinateur, YOLO11 peut être utilisé pour analyser différentes propriétés des plantes dans des images et des vidéos.

Dans cet article, nous examinerons de plus près les difficultés du phénotypage traditionnel des plantes et verrons comment des modèles de vision par ordinateur comme Ultralytics YOLO11 favorisent des pratiques agricoles plus intelligentes et plus durables.

Qu’est-ce que le phénotypage des plantes ?#

Le phénotypage des plantes est le processus d’observation et d’analyse des caractéristiques physiques et biochimiques d’une plante. En recueillant des données telles que la hauteur de la plante, la surface foliaire, le taux de croissance et les réactions au stress, nous pouvons obtenir des informations précieuses sur la manière dont les plantes poussent et réagissent à différents environnements.

Les données recueillies par le phénotypage des plantes sont essentielles à l’amélioration des cultures, à la prévision des rendements et au renforcement de la résilience climatique. Ces données aident également les agriculteurs et les experts agricoles à sélectionner les variétés végétales les plus performantes pour une culture ou une reproduction ultérieure.

Fig. 1. Un chercheur mesurant la hauteur de la plante à l’aide d’une règle.

Encore aujourd’hui, le phénotypage des plantes repose généralement sur des méthodes manuelles. Les chercheurs ou les agriculteurs experts se rendent dans les champs, mesurent physiquement les plantes et consignent les données à la main. Malgré leur utilité, ces méthodes nécessitent beaucoup d’efforts humains. Elles peuvent également entraîner des incohérences, car les personnes peuvent observer et interpréter différemment les caractéristiques des plantes.

Le phénotypage moderne, ou phénotypage des plantes à haut débit, met toutefois l’accent sur la cohérence, la précision et la collecte non destructive de données. Les plantes sont surveillées à l’aide d’outils avancés comme des caméras RGB (caméras couleur standard), des capteurs hyperspectraux (dispositifs qui capturent une large gamme d’informations colorimétriques, y compris au-delà de ce que l’œil humain peut percevoir) et des systèmes LiDAR (détection et télémétrie par ondes lumineuses) (scanners laser qui créent des cartes 3D détaillées), afin de recueillir des données haute résolution sans perturber physiquement les plantes.

Associées à l’AI et à la vision par ordinateur, ces méthodes non invasives peuvent contribuer à améliorer considérablement la précision et la cohérence du phénotypage des plantes.

Limites du phénotypage traditionnel des plantes#

Bien que fondamentales, les méthodes traditionnelles de phénotypage des plantes présentent plusieurs limites et difficultés. Voici certains de leurs principaux inconvénients :

• Méthodes manuelles : Les méthodes traditionnelles reposaient sur l’effort humain et utilisaient des outils physiques comme des règles et des pieds à coulisse. Elles étaient chronophages et subjectives, en particulier dans les grandes exploitations agricoles.
• Échantillonnage destructif : Les plantes étaient souvent endommagées ou déracinées afin d’étudier leurs propriétés internes. L’échantillonnage destructif rend impossible le suivi de la réaction des plantes à différents moments.
• Difficulté à capturer les changements dynamiques : Les méthodes traditionnelles capturent souvent un instant donné et ne tiennent pas compte de l’évolution des caractéristiques des plantes au fil du temps.

Le phénotypage des plantes à haut débit vise à automatiser le phénotypage des plantes afin de rendre les mesures plus précises et de garantir leur cohérence. Il ouvre de nouvelles perspectives pour l’innovation agricole et l’agriculture intelligente.

Le rôle de la vision par ordinateur dans le phénotypage des plantes#

La vision par ordinateur est une technologie qui permet aux machines de voir et d’interpréter les informations visuelles du monde réel, comme le font les humains. Elle comprend trois étapes clés : l’acquisition, le traitement et l’analyse des images.

Tout d’abord, l’acquisition d’images consiste à capturer des données visuelles à l’aide de différents capteurs, comme des caméras et des drones. Ensuite, le traitement d’images améliore la qualité et la netteté des images grâce à des techniques comme la réduction du bruit et la correction des couleurs. Enfin, l’analyse d’images extrait des informations pertinentes des images traitées à l’aide de différentes tâches de vision par ordinateur, comme la détection d’objets et la segmentation d’instances. Des modèles comme Ultralytics YOLO11 peuvent être utilisés pour cette analyse d’images et prendre en charge ces tâches.

Fig. 2. YOLO11 peut être utilisé pour détecter des légumes dans un champ.

Autres technologies utilisées dans le phénotypage des plantes à haut débit#

Au-delà de la vision par ordinateur, le phénotypage des plantes à haut débit s’appuie sur plusieurs technologies innovantes pour capturer des images et des vidéos détaillées des plantes. Voici quelques-uns de ces outils clés et la manière dont ils améliorent la collecte de données :

• Imagerie RGB : Les caméras RGB standard sont couramment utilisées pour capturer des images de plantes. L’imagerie RGB est au cœur de l’analyse phénotypique et sert souvent de première étape à des évaluations plus complexes.
• Imagerie hyperspectrale : Cette technologie capture une large gamme de bandes spectrales au-delà du spectre visible. Elle fournit des informations détaillées sur la composition chimique d’une plante et aide à détecter des facteurs comme les niveaux de chlorophylle, la teneur en eau et les carences en nutriments.
• Imagerie thermique : Les caméras thermiques mesurent le rayonnement infrarouge émis par les plantes et fournissent des informations sur leur température de surface. Cette méthode non invasive est utile pour surveiller la santé des plantes et identifier rapidement d’éventuels problèmes.
• Imagerie 3D** :** Les caméras de profondeur et la technologie LiDAR créent des modèles tridimensionnels des plantes. L’imagerie 3D est essentielle pour analyser les structures végétales complexes et comprendre l’impact des variations sur la croissance et la productivité.

Fig. 3. Principales technologies utilisées dans le phénotypage des plantes à haut débit. Image réalisée par l’auteur.

Applications d’Ultralytics YOLO11 au phénotypage des plantes#

Les modèles de vision par ordinateur sont progressivement utilisés dans le phénotypage des plantes pour un large éventail de tâches. Du comptage des feuilles à l’analyse morphologique détaillée, ces technologies transforment notre manière de comprendre et de gérer la santé des plantes. Examinons quelques applications concrètes dans lesquelles des modèles comme YOLO11 peuvent contribuer au phénotypage des plantes.

Comptage des feuilles et estimation de la sécheresse avec Ultralytics YOLO11#

Lorsque des modèles de vision comme Ultralytics YOLO11 sont intégrés à des UAVs (aéronefs sans pilote), ils peuvent être utilisés pour analyser en temps réel différentes caractéristiques des plantes. La capacité de YOLO11 à détecter de petits éléments dans des images aériennes haute résolution, comme les extrémités des feuilles, aide les chercheurs et les agriculteurs à suivre plus précisément les stades de développement des plantes que ne le permettent les méthodes manuelles traditionnelles.

Par exemple, la prise en charge de la détection d’objets par Ultralytics YOLO11 peut servir à identifier les différences entre des plants de riz tolérants à la sécheresse et des plants sensibles à la sécheresse en comptant le nombre de feuilles visibles. Des indices visuels comme le nombre de feuilles sont souvent corrélés à des caractéristiques plus profondes, telles que la biomasse et la résilience de la plante.

Détection des fleurs avec Ultralytics YOLO11#

La détection et le comptage des fleurs sont des aspects intéressants du phénotypage des plantes, en particulier pour les cultures dont la quantité de fleurs est étroitement liée au potentiel de rendement. Plus précisément, Ultralytics YOLO11 peut être utilisé pour détecter différentes structures florales. En automatisant la détection des fleurs, les agriculteurs et les chercheurs peuvent prendre plus rapidement des décisions fondées sur les données concernant le moment de la pollinisation, l’allocation des ressources et la santé globale des cultures.

Détection des maladies des plantes avec l’AI et Ultralytics YOLO11#

La détection des maladies des plantes est un élément essentiel de la surveillance de la santé des cultures. Grâce aux capacités de classification d’images de YOLO11, les images de cultures peuvent être classifiées afin d’identifier les premiers signes de maladie. YOLO11 peut également être intégré à des appareils comme des drones, des applications mobiles ou des robots de terrain pour automatiser la détection des maladies. Les agriculteurs peuvent ainsi agir rapidement contre les flambées de maladies, réduire les pertes de rendement et limiter l’utilisation de pesticides.

Par exemple, Ultralytics YOLO11 peut être entraîné sur mesure pour classifier des images de feuilles de vigne susceptibles de présenter des signes d’enroulement de la vigne. Le modèle apprend à partir d’exemples annotés couvrant différents stades de la maladie, comme des feuilles saines, une légère décoloration et des symptômes sévères. En reconnaissant des motifs visuels distinctifs, comme les changements de couleur et la décoloration des nervures, YOLO11 aide les viticulteurs à détecter rapidement les infections et à prendre des décisions thérapeutiques plus éclairées.

Fig. 4. Exemples de manifestations de l’enroulement de la vigne.

Avantages de l’utilisation d’Ultralytics YOLO11 pour le phénotypage des plantes#

Voici quelques avantages des modèles de vision par ordinateur comme Ultralytics YOLO11 par rapport aux méthodes traditionnelles de phénotypage des plantes :

• Évolutivité et rentabilité : L’automatisation des processus avec Ultralytics YOLO11 peut réduire le besoin de main-d’œuvre manuelle, ce qui en fait une solution évolutive et rentable pour les opérations agricoles à grande échelle.
• Alertes en temps réel : L’intégration des informations recueillies avec Ultralytics YOLO11 à des systèmes automatisés permet d’envoyer instantanément des notifications concernant d’éventuels problèmes et favorise une prise de décision rapide.
• Pratiques agricoles durables : En réduisant les interventions manuelles et l’utilisation de produits chimiques, la vision par ordinateur contribue à une agriculture plus respectueuse de l’environnement et plus durable.

Défis de la vision par ordinateur dans le phénotypage des plantes#

Bien que la vision par ordinateur offre de nombreux avantages pour le phénotypage des plantes, il est important de garder à l’esprit les limites liées à la mise en œuvre de ces systèmes. Voici quelques préoccupations clés :

• Exigences relatives aux jeux de données : L’entraînement des modèles nécessite des jeux de données volumineux, diversifiés et bien annotés, qui peuvent être difficiles et longs à constituer, notamment pour les cultures rares ou les conditions particulières.
• Préoccupations relatives à la confidentialité : À mesure que les drones et les caméras intelligentes se généralisent dans les champs, des questions se posent quant à la propriété des données, à leur stockage et à leur utilisation sans consentement approprié.
• Conditions environnementales : Les variations d’éclairage et de conditions météorologiques, ainsi que l’encombrement de l’arrière-plan, peuvent affecter de manière imprévisible la précision de l’analyse visuelle dans les environnements agricoles.

Vers le phénotypage des plantes à haut débit#

L’avenir du phénotypage des plantes s’oriente vers des systèmes intelligents et interconnectés qui collaborent pour fournir une vision plus claire de la santé et de la croissance des cultures. Une tendance prometteuse consiste à utiliser plusieurs capteurs simultanément. En combinant les données provenant de différentes sources, nous pouvons obtenir une compréhension bien plus riche et plus précise de ce qui se passe dans une plante.

Les tendances du marché témoignent également d’un intérêt croissant pour les méthodes avancées de phénotypage des plantes. Le marché mondial du phénotypage des plantes représente environ 311,73 millions de dollars cette année (2025) et devrait atteindre 520,80 millions de dollars d’ici 2030.

Fig. 5. La valeur du marché du phénotypage des plantes.

Points clés à retenir#

La vision par ordinateur appliquée au phénotypage des plantes contribue à automatiser leur mesure et leur analyse. Les modèles d’AI visuelle comme Ultralytics YOLO11 peuvent réduire le travail manuel, obtenir de meilleurs résultats et faciliter la surveillance des cultures à grande échelle. Le passage des méthodes traditionnelles à des systèmes intelligents axés sur la technologie constitue une étape importante pour relever des défis mondiaux comme le changement climatique, les pénuries alimentaires et l’agriculture durable.

À l’avenir, l’intégration de la vision par ordinateur à d’autres technologies comme l’AI, la robotique et les capteurs intelligents rendra l’agriculture encore plus intelligente et efficace. À mesure que l’AI progresse, nous nous rapprochons d’un avenir où nous pourrons surveiller les plantes de manière fluide, ajuster précisément leur croissance et leur fournir les soins nécessaires.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur les innovations en matière d’AI. Découvre les dernières avancées dans des domaines comme l’AI dans l’industrie manufacturière et la vision par ordinateur dans le secteur de la santé sur nos pages de solutions. Consulte nos options de licence et commence dès aujourd’hui avec la vision par ordinateur !