Come SOWIT utilizza Ultralytics YOLO per un'agricoltura più intelligente

SOWIT unisce agronomia, ingegneria e software per aiutare le aziende agricole a prendere decisioni migliori basate sui dati dei campi. Una delle sue applicazioni pratiche utilizza il rilevamento di oggetti di Ultralytics YOLO per stimare le rese degli agrumi dalle immagini, sostituendo un lento processo manuale con un flusso di lavoro di computer vision ripetibile.

Il progetto mostra come la visione artificiale possa supportare l'agricoltura quando è progettata attorno a un problema operativo specifico: raccogliere immagini rappresentative, rilevare i frutti in modo coerente e trasformare tali rilevamenti in informazioni che i team agricoli possono utilizzare per la pianificazione.

La sfida: stimare le rese in un grande frutteto#

SOWIT ha collaborato con un'azienda agricola di agrumi tra Marrakech e Imintanout, in Marocco. Su circa 180 ettari, stimare il numero di frutti sugli alberi era essenziale per la pianificazione della raccolta, l'allocazione della manodopera, le vendite e la logistica.

La tradizionale stima della resa dipende da persone che contano manualmente i frutti su alberi campione ed estrapolano i risultati all'intero frutteto. Questo approccio può essere costoso e richiedere molto tempo, e i risultati possono variare tra diversi osservatori. Quando le stime sono tardive o incoerenti, le aziende agricole dispongono di informazioni meno affidabili per negoziare con gli acquirenti e preparare le risorse necessarie per la raccolta.

SOWIT aveva bisogno di un metodo che potesse funzionare con le attrezzature già in possesso degli agricoltori, integrarsi nelle operazioni sul campo e produrre risultati coerenti senza richiedere che ogni frutto venisse contato a mano.

Perché SOWIT ha scelto Ultralytics YOLO#

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

Il rilevamento degli oggetti si adatta bene al problema perché il sistema deve fare molto di più che decidere semplicemente se il frutto è presente. Deve individuare più frutti nella stessa immagine affinché i rilevamenti possano essere contati. Un'inferenza efficiente rende inoltre pratico elaborare molte immagini di campo senza introdurre ritardi prolungati nel flusso di lavoro.

Il modello è solo una parte di un sistema più ampio. Una stima affidabile della resa dipende anche da dati di addestramento rappresentativi, cattura coerente delle immagini, campionamento appropriato e convalida nelle condizioni riscontrate nel frutteto. Illuminazione, fogliame, occlusione, dimensioni del frutto, angolo della telecamera e varietà della coltura possono influenzare le prestazioni.

Come opera il flusso di lavoro di SOWIT#

SOWIT ha integrato il modello nella sua applicazione SOYFIELD, offrendo agli agricoltori un processo guidato per raccogliere le informazioni necessarie per una stima.

1. Definisci la parcella#

L'utente seleziona la parcella agricola, ne mappa i confini e registra informazioni rilevanti come il tipo di coltura, il numero di alberi e le pratiche di coltivazione. Questo contesto collega ogni campione di immagine alla parte corretta dell'azienda agricola.

2. Seleziona alberi rappresentativi#

L'applicazione determina quanti alberi devono essere campionati per rispettare il margine di errore target. Un piano di campionamento strutturato aiuta a ridurre i bias e rende i risultati più comparabili tra parcelle e stagioni.

3. Cattura le immagini#

L'utente fotografa la parte anteriore e posteriore di ciascun albero campionato. Catturare entrambi i lati migliora la copertura nei punti in cui foglie, rami o altri frutti oscurano parti della chioma.

4. Rileva e conta i frutti#

Le immagini vengono inviate per l'inferenza. Il modello YOLO identifica i singoli frutti e l'applicazione converte tali rilevamenti in conteggi per gli alberi campionati.

5. Stima la resa#

I conteggi campionati vengono combinati con le informazioni della parcella per stimare la resa nell'intero frutteto. I team agricoli possono quindi utilizzare 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'utilizzo dell'applicazione di SOWIT ci ha aiutato a stimare con precisione le nostre rese, in modo tempestivo e con grande accuratezza, risparmiando al contempo risorse sul campo”.

Valore operativo per i team agricoli#

La computer vision non elimina la necessità di competenze agronomiche. Offre a tali competenze uno strumento di misurazione più rapido e coerente.

• Stime più ripetibili: Un flusso di lavoro definito per immagini e campionamento riduce la variabilità tra i singoli contatori.
• Minore conteggio manuale: I team possono dedicare meno tempo all'ispezione di ogni albero e più tempo ad agire sulle informazioni risultanti.
• Pianificazione anticipata: Stime tempestive possono supportare la pianificazione della raccolta, la gestione del personale, il trasporto, lo stoccaggio e le trattative di vendita.
• Un processo di dati riutilizzabile: Immagini e risultati del modello creano una base per valutare le prestazioni nel tempo e migliorare il sistema man mano che le condizioni del campo cambiano.

Questi benefici dipendono dal mantenimento della qualità del modello. I team dovrebbero valutare l'accuratezza sui dati provenienti dalle aziende agricole in cui il sistema opererà, esaminare i casi di errore e riaddestrare il modello quando colture, stagioni, telecamere o condizioni operative cambiano.

Da YOLOv5 agli attuali modelli Ultralytics YOLO#

Il progetto di SOWIT è stato sviluppato con YOLOv5, un modello importante nell'evoluzione della famiglia Ultralytics YOLO. Il flusso di lavoro sottostante rimane rilevante: preparare un set di dati rappresentativo, addestrare un modello di rilevamento oggetti, convalidarlo rispetto alle condizioni operative reali e distribuirlo all'interno di un'applicazione che risolve un problema chiaro per l'utente.

Per i nuovi progetti, Ultralytics YOLO26 è l'ultimo modello stabile e il punto di partenza consigliato. I team possono confrontare le dimensioni dei modelli e i formati di esportazione per scegliere il bilanciamento tra accuratezza, latenza e compatibilità hardware che meglio si adatta a un'installazione sul campo, edge o cloud.

Gestione del ciclo di vita della computer vision con Ultralytics Platform#

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

• Trovare e organizzare dataset di immagini.
• Annotare i dati e accelerare l'etichettatura con l'annotazione automatica.
• Addestrare i modelli Ultralytics YOLO nel cloud o su infrastruttura locale.
• Esaminare le metriche del modello e confrontare gli esperimenti.
• Distribuire i modelli per l'inferenza su target supportati.
• Monitorare i flussi di lavoro di produzione e continuare a migliorare il modello con nuovi dati sul campo.

Questo ciclo di vita è importante perché gli ambienti agricoli non sono statici. Un modello addestrato su un frutteto o una stagione potrebbe incontrare in seguito varietà, condizioni meteorologiche, illuminazione, stadi di crescita o dispositivi di fotocamera differenti. Mantenere collegati dataset, esperimenti, distribuzioni e monitoraggio rende tali cambiamenti più facili da gestire.

Costruire una visione artificiale pratica per l'agricoltura#

I progetti di computer vision più solidi iniziano con la decisione operativa che devono migliorare. Nel caso di SOWIT, l'obiettivo non era semplicemente rilevare i frutti in un'immagine; era produrre una stima tempestiva della resa che gli agricoltori potessero utilizzare.

I team che pianificano sistemi simili dovrebbero definire il metodo di campionamento, le metriche di successo, l'ambiente di inferenza e il processo di revisione umana prima di effettuare lo scale-up. Dovrebbero inoltre testare in condizioni di campo realistiche, incluse condizioni di illuminazione difficili e frutti parzialmente occlusi, e confermare che la distribuzione funzioni con la connettività e l'hardware disponibili.

Il lavoro di SOWIT dimostra come Ultralytics YOLO possa tradurre le immagini dei campi 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 sfruttare questo schema per sviluppare sistemi di visione artificiale manutenibili per le aziende agricole e altri ambienti del mondo reale.

Explore Ultralytics Platform per iniziare a creare e gestire il tuo flusso di lavoro di computer vision.