Come SOWIT usa Ultralytics YOLO per un'agricoltura più intelligente

SOWIT integra agronomia, ingegneria e software per aiutare le aziende agricole a prendere decisioni migliori sulla base dei dati raccolti nei campi. Una delle sue applicazioni pratiche utilizza il rilevamento di oggetti di Ultralytics YOLO per stimare la resa degli agrumi a partire da immagini, sostituendo un lento processo manuale con un flusso di lavoro di visione artificiale ripetibile.

Il progetto mostra come l'AI basata sulla visione possa supportare l'agricoltura se viene progettata per risolvere un problema operativo specifico: raccogliere immagini rappresentative, rilevare i frutti in modo coerente e trasformare i rilevamenti in informazioni utili per la pianificazione delle attività agricole.

La sfida: stimare la resa di un grande agrumeto#

SOWIT ha collaborato con un'azienda agrumicola tra Marrakech e Imintanout, in Marocco. Su circa 180 ettari, stimare il numero di frutti sugli alberi era essenziale per pianificare la raccolta, assegnare il personale, gestire le vendite e organizzare la logistica.

La stima tradizionale della resa si basa sul conteggio manuale dei frutti sugli alberi campionati e sull'estrapolazione dei risultati all'intero agrumeto. Questo approccio può essere costoso e richiedere molto tempo, e i risultati possono variare da un osservatore all'altro. Se le stime arrivano in ritardo o sono incoerenti, le aziende agricole dispongono di informazioni meno affidabili per negoziare con gli acquirenti e preparare le risorse necessarie alla raccolta.

SOWIT aveva bisogno di un metodo compatibile con le attrezzature già in possesso degli agricoltori, integrabile nelle attività sul campo e in grado di produrre risultati coerenti senza dover contare a mano ogni frutto.

Perché SOWIT ha scelto Ultralytics YOLO#

SOWIT ha realizzato la soluzione originale con Ultralytics YOLOv5. I modelli YOLO elaborano un'immagine in un unico passaggio di inferenza e restituiscono la posizione e la classe di ogni oggetto rilevato. In questo caso d'uso, gli oggetti sono i singoli frutti su un albero.

Il rilevamento di oggetti è particolarmente adatto a questo problema, perché il sistema deve fare più che stabilire la presenza dei frutti: deve individuare più frutti nella stessa immagine affinché sia possibile contarli. L'inferenza efficiente permette inoltre di elaborare molte immagini sul campo senza introdurre lunghi ritardi nel flusso di lavoro.

Il modello è solo una parte di un sistema più ampio. Per stimare la resa in modo affidabile servono anche dati di addestramento rappresentativi, acquisizione delle immagini coerente, campionamento adeguato e convalida nelle condizioni effettive dell'agrumeto. L'illuminazione, il fogliame, l'occultamento, le dimensioni dei frutti, l'angolazione della fotocamera e la varietà coltivata possono influire sulle prestazioni.

Come funziona il flusso di lavoro di SOWIT#

SOWIT ha integrato il modello nella propria applicazione SOYFIELD, offrendo agli agricoltori una procedura guidata per raccogliere le informazioni necessarie alla stima.

1. Definisci l'appezzamento#

L'utente seleziona l'appezzamento agricolo, ne traccia i confini e registra informazioni pertinenti, come il tipo di coltura, il numero di alberi e le pratiche di coltivazione. Questo contesto collega ogni campione di immagini alla parte corretta dell'azienda agricola.

2. Seleziona alberi rappresentativi#

L'applicazione determina quanti alberi campionare per rispettare il margine di errore previsto. Un piano di campionamento strutturato aiuta a ridurre le distorsioni e rende i risultati più confrontabili tra appezzamenti e stagioni.

3. Acquisisci le immagini#

L'utente fotografa la parte anteriore e quella posteriore di ogni albero campionato. Riprendere entrambi i lati migliora la copertura quando foglie, rami o altri frutti nascondono parti della chioma.

4. Rileva e conta i frutti#

Le immagini vengono inviate per l'inferenza. Il modello YOLO individua i singoli frutti e l'applicazione converte i rilevamenti nel conteggio degli alberi campionati.

5. Stima la resa#

I conteggi del campione vengono combinati con le informazioni sull'appezzamento per stimare la resa dell'intero agrumeto. Le aziende agricole possono quindi usare il risultato per orientare la pianificazione commerciale e operativa.

Youssef Sridi, direttore tecnico dell'azienda agricola Mfruits, ha descritto il valore pratico dell'applicazione: «L'applicazione di SOWIT ci ha aiutato a stimare le rese con precisione e tempestività, risparmiando risorse sul campo».

Valore operativo per le aziende agricole#

La visione artificiale non elimina la necessità di competenze agronomiche: offre a chi le possiede uno strumento di misurazione più rapido e coerente.

• Stime più ripetibili: un flusso di lavoro definito per l'acquisizione delle immagini e il campionamento riduce le differenze tra i singoli addetti al conteggio.
• Meno conteggi manuali: i team possono dedicare meno tempo a ispezionare ogni albero e più tempo ad agire sulla base delle informazioni ottenute.
• Pianificazione anticipata: stime tempestive possono supportare la pianificazione della raccolta, del personale, dei trasporti e dello stoccaggio, oltre alle trattative di vendita.
• Un processo di gestione dei dati riutilizzabile: le immagini e i risultati del modello creano una base per valutare le prestazioni nel tempo e migliorare il sistema al variare delle condizioni sul campo.

Questi vantaggi dipendono dal mantenimento della qualità del modello. I team dovrebbero valutarne la precisione sui dati delle aziende agricole in cui il sistema verrà utilizzato, esaminare i casi di errore e riaddestrarlo quando cambiano le colture, le stagioni, le fotocamere o le condizioni operative.

Da YOLOv5 ai modelli Ultralytics YOLO di oggi#

Il progetto di SOWIT è stato sviluppato con YOLOv5, un modello importante nell'evoluzione della famiglia Ultralytics YOLO. Il flusso di lavoro di base è ancora valido: preparare un set di dati rappresentativo, addestrare un modello di rilevamento di oggetti, convalidarlo in condizioni operative reali e integrarlo in un'applicazione che risolva un problema concreto degli utenti.

Per i nuovi progetti, Ultralytics YOLO26 è il modello stabile più recente e il punto di partenza consigliato. I team possono confrontare le dimensioni dei modelli e i formati di esportazione per scegliere il giusto equilibrio tra precisione, latenza e compatibilità hardware, in base alla distribuzione sul campo, su dispositivi edge o sul cloud.

Gestire il ciclo di vita della visione artificiale con Ultralytics Platform#

Ultralytics Platform offre un unico spazio di lavoro per portare un progetto di AI basata sulla visione dai dati alla produzione. Un team che sviluppa un'applicazione agricola può usare la Platform per:

• Reperire e organizzare i set di dati di immagini.
• Annota i dati e velocizza l'etichettatura con l'auto-annotazione.
• Addestra i modelli Ultralytics YOLO nel cloud oppure su un'infrastruttura locale.
• Esaminare le metriche del modello e confrontare gli esperimenti.
• Distribuire i modelli per l'inferenza su tutte le piattaforme supportate.
• Monitorare i flussi di lavoro in produzione e continuare a migliorare il modello con nuovi dati raccolti sul campo.

Questo ciclo di vita è importante perché gli ambienti agricoli non sono statici. Un modello addestrato in un agrumeto o in una stagione potrebbe in seguito incontrare varietà, condizioni meteorologiche e di illuminazione, fasi di crescita o dispositivi fotografici diversi. Mantenere collegati set di dati, esperimenti, distribuzioni e monitoraggio semplifica la gestione di questi cambiamenti.

Creare soluzioni pratiche di AI basata sulla visione per l'agricoltura#

I progetti di computer vision più efficaci partono dalla decisione operativa che intendono migliorare. Nel caso di SOWIT, l'obiettivo non era semplicemente rilevare i frutti in un'immagine, ma produrre una stima tempestiva della resa che gli agricoltori potessero usare.

I team che progettano sistemi simili dovrebbero definire il metodo di campionamento, le metriche di successo, l'ambiente di inferenza e il processo di revisione umana prima di passare alla scalabilità. Dovrebbero anche eseguire test in condizioni di campo realistiche, con illuminazione difficile e frutti parzialmente occlusi, e verificare che la soluzione funzioni con la connettività e l'hardware disponibili.

Il lavoro di SOWIT dimostra come Ultralytics YOLO possa trasformare le immagini sul campo in informazioni agricole utili. Con i moderni modelli YOLO e Ultralytics Platform a supporto dell'intero ciclo di vita della computer vision, i team possono partire da questo approccio per sviluppare sistemi di AI visiva manutenibili per le aziende agricole e altri ambienti reali.

Esplora Ultralytics Platform per iniziare a creare e gestire il tuo workflow di computer vision.