Ultralytics YOLO11 et la vision par ordinateur pour le phénotypage végétal

L’agriculture est essentielle à notre approvisionnement alimentaire, et les chercheurs cherchent constamment comment l’adapter à un défi majeur : le changement climatique. Avec le réchauffement climatique qui perturbe les saisons de culture et la population mondiale qui augmente, il est indispensable de développer des cultures capables de résister à des environnements en constante évolution. Le phénotypage des plantes joue un rôle essentiel dans ces recherches.

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 déterminer lesquelles sont les mieux adaptées à la sécheresse, à la chaleur ou aux sols pauvres. Ces données peuvent guider le choix des cultures à sélectionner pour améliorer la productivité agricole.

Le phénotypage des plantes repose généralement sur des observations visuelles manuelles, qui peuvent prendre beaucoup de temps et de main-d’œuvre. La vision par ordinateur, une branche de l’intelligence artificielle (AI), peut transformer la manière dont nous étudions 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, et améliorer considérablement la rapidité, la cohérence et la précision.

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

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

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

Le phénotypage des plantes consiste à observer et à analyser leurs caractéristiques physiques et biochimiques. En recueillant des données telles que la hauteur des plantes, la surface foliaire, le taux de croissance et les réactions au stress, nous pouvons mieux comprendre comment les plantes poussent et réagissent à des environnements variés.

Les données recueillies grâce au phénotypage des plantes sont essentielles à l’amélioration des cultures, à la prévision des rendements et au renforcement de la résilience climatique. Elles aident également les agriculteurs et les experts agricoles à sélectionner les variétés les plus performantes pour la culture ou la sélection.

Fig. 1. Un chercheur mesure la hauteur de la plante avec une règle.

Aujourd’hui encore, le phénotypage des plantes repose généralement sur des méthodes manuelles. Des chercheurs ou des agriculteurs expérimentés se rendent dans les champs, mesurent physiquement les plantes et consignent les données à la main. Malgré leur utilité, ces méthodes demandent beaucoup de travail humain. Elles peuvent aussi entraîner des incohérences, car différentes personnes peuvent observer et interpréter différemment les caractères des plantes.

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

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

Limites du phénotypage traditionnel des plantes#

Bien qu’essentielles, les méthodes traditionnelles de phénotypage des plantes présentent plusieurs limites et difficultés. En voici quelques inconvénients majeurs :

• Méthodes manuelles : Les méthodes traditionnelles reposaient sur le travail humain et faisaient appel à des outils physiques comme des règles et des pieds à coulisse. Elles prenaient beaucoup de temps et étaient subjectives, surtout dans les grands champs agricoles.
• Échantillonnage destructif : Les plantes étaient souvent endommagées ou déracinées pour étudier leurs propriétés internes. L’échantillonnage destructif empêche de suivre leur réaction à différents moments.
• Difficulté à saisir les changements dynamiques : Les méthodes traditionnelles ne capturent souvent qu’un seul instant, sans suivre l’évolution des caractères des plantes au fil du temps.

Le phénotypage à haut débit des plantes vise à automatiser le phénotypage pour rendre les mesures plus précises et cohérentes. 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 utiles des images traitées en s’appuyant sur différentes tâches de vision par ordinateur, comme la détection d’objets et la segmentation d’instances. Des modèles comme Ultralytics YOLO11 peuvent réaliser cette analyse d’images et prendre en charge ces tâches.

Fig. 2. YOLO11 peut servir à détecter des légumes dans un champ.

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

Au-delà de la vision par ordinateur, le phénotypage à haut débit des plantes 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 des données :

• Imagerie RGB : Les caméras RGB standard servent couramment à capturer des images de plantes. L’imagerie RGB est essentielle à l’analyse phénotypique et constitue souvent la première étape d’évaluations plus complexes.
• Imagerie hyperspectrale : Cette technologie capture un large éventail 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 renseignent sur leur température de surface. Cette méthode non invasive est utile pour surveiller la santé des plantes et détecter rapidement d’éventuels problèmes.
• Imagerie 3D : Les caméras de profondeur et la technologie LiDAR créent des modèles tridimensionnels de plantes. L’imagerie 3D est essentielle pour analyser des structures végétales complexes et comprendre comment leurs variations influent sur la croissance et la productivité.

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

Applications d’Ultralytics YOLO11 au phénotypage des plantes#

Les modèles de vision par ordinateur sont progressivement utilisés dans un large éventail de tâches de phénotypage des plantes. Du comptage des feuilles à l’analyse morphologique détaillée, ces technologies transforment notre manière de comprendre et de gérer la santé des plantes. Découvrons 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 UAV (véhicules aériens sans pilote), ils peuvent servir à analyser en temps réel différentes caractéristiques des plantes. La capacité de YOLO11 à détecter de petits détails dans des images aériennes haute résolution, comme les extrémités des feuilles, aide les chercheurs et les agriculteurs à suivre les stades de développement des plantes avec davantage de précision qu’avec les méthodes manuelles traditionnelles.

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

Détection de 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 le rendement potentiel dépend étroitement du nombre de fleurs. Ultralytics YOLO11 peut notamment servir à détecter diverses 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’IA et Ultralytics YOLO11#

La détection des maladies des plantes est essentielle pour surveiller la santé des cultures. Grâce aux capacités de classification d’images de YOLO11, les images de cultures peuvent être classées afin de repérer les premiers signes de maladie. YOLO11 peut également être intégré à des appareils comme des drones, des applications mobiles ou des robots agricoles pour détecter automatiquement les maladies. Les agriculteurs peuvent ainsi intervenir rapidement en cas d’épidémie, réduire les pertes de rendement et limiter l’utilisation de pesticides.

Par exemple, Ultralytics YOLO11 peut être entraîné sur mesure pour classer des images de feuilles de vigne susceptibles de présenter des signes d’enroulement viral 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 graves. En reconnaissant des motifs visuels distincts, comme les changements de couleur et la décoloration des nervures, YOLO11 aide les viticulteurs à détecter les infections tôt et à prendre des décisions thérapeutiques mieux éclairées.

Fig. 4. Exemples de manifestations de l’enroulement viral 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 et constituer une solution évolutive et rentable pour les activités agricoles à grande échelle.
• Alertes en temps réel : l’intégration des informations recueillies avec Ultralytics YOLO11 dans des systèmes automatisés permet d’envoyer instantanément des notifications sur les problèmes potentiels et de prendre rapidement des décisions.
• 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 pour le phénotypage des plantes#

La vision par ordinateur offre de nombreux avantages pour le phénotypage des plantes, mais il est important de garder à l’esprit les limites liées à la mise en œuvre de ces systèmes. Voici quelques points essentiels à prendre en compte :

• Exigences relatives aux jeux de données : L’entraînement des modèles nécessite de grands jeux de données diversifiés et bien étiquetés, dont la collecte peut être difficile et chronophage, en particulier pour les cultures rares ou les conditions particulières.
• Préoccupations liées à la confidentialité : avec la multiplication des drones et des caméras intelligentes dans les champs, des questions se posent sur la propriété des données, leur stockage et leur utilisation sans consentement approprié.
• Conditions environnementales : les variations de luminosité, la météo et l’encombrement de l’arrière-plan peuvent affecter la précision de l’analyse visuelle dans des environnements agricoles imprévisibles.

Vers le phénotypage des plantes à haut débit#

L’avenir du phénotypage des plantes repose sur des systèmes intelligents et interconnectés qui fonctionnent ensemble pour dresser un portrait plus précis de la santé et de la croissance des cultures. L’utilisation simultanée de plusieurs capteurs est une tendance prometteuse. En combinant des données issues de diverses sources, on peut mieux comprendre, avec davantage de précision, ce qui se passe au niveau d’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. 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’IA visuelle comme Ultralytics YOLO11 peuvent réduire le travail manuel, améliorer les résultats et faciliter la surveillance des cultures à grande échelle. Le passage des méthodes traditionnelles à des systèmes intelligents pilotés par 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’IA, la robotique et les capteurs intelligents rendra l’agriculture encore plus intelligente et efficace. À mesure que l’IA progresse, nous nous rapprochons d’un avenir où nous pourrons surveiller les plantes en continu, affiner leurs conditions de croissance et leur apporter les soins nécessaires.

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