Come SOWIT usa Ultralytics YOLO per un'agricoltura più intelligente

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

Il progetto mostra come l’IA per la computer vision possa supportare l’agricoltura quando viene progettata intorno a un problema operativo specifico: raccogliere immagini rappresentative, rilevare la frutta in modo coerente e trasformare questi rilevamenti in informazioni utilizzabili dai team agricoli per la pianificazione.

La sfida: stimare la resa di un grande frutteto#

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

La stima tradizionale della resa dipende dal conteggio manuale dei frutti sugli alberi campionati e dall’estrapolazione dei risultati all’intero frutteto. Questo approccio può essere costoso e richiedere molto tempo, e i risultati possono variare da un osservatore all’altro. 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 alla raccolta.

SOWIT aveva bisogno di un metodo che potesse funzionare con le apparecchiature già disponibili agli agricoltori, integrarsi nelle operazioni sul campo e produrre risultati coerenti senza richiedere il conteggio manuale di ogni frutto.

Perché SOWIT ha scelto Ultralytics YOLO#

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

Il rilevamento degli oggetti è particolarmente adatto al problema perché il sistema deve fare più che stabilire se è presente della frutta. Deve localizzare più frutti nella stessa immagine affinché i rilevamenti possano essere conteggiati. L’inferenza efficiente rende inoltre pratico elaborare molte immagini del campo senza introdurre un ritardo significativo nel flusso di lavoro.

Il modello è una parte di un sistema più ampio. Una stima affidabile della resa dipende anche da dati di addestramento rappresentativi, dall’acquisizione coerente delle immagini, da un campionamento appropriato e dalla validazione nelle condizioni presenti nel frutteto. Illuminazione, fogliame, occlusioni, dimensioni dei frutti, angolazione della fotocamera e varietà della coltura possono influire sulle prestazioni.

Come funziona 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 alla stima.

1. Definire 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. Selezionare gli alberi rappresentativi#

L’applicazione determina quanti alberi devono essere campionati per rispettare il margine di errore target. Un piano di campionamento strutturato contribuisce a ridurre i bias e rende i risultati più confrontabili tra appezzamenti e stagioni.

3. Acquisire le immagini#

L’utente fotografa la parte anteriore e posteriore di ogni albero campionato. Acquisire entrambi i lati migliora la copertura nei punti in cui foglie, rami o altri frutti nascondono parti della chioma.

4. Rilevare e contare i frutti#

Le immagini vengono inviate per l’inferenza. Il modello YOLO identifica i singoli frutti e l’applicazione converte questi rilevamenti nei conteggi degli alberi campionati.

5. Stimare la resa#

I conteggi del campione vengono combinati con le informazioni sull’appezzamento per stimare la resa dell’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 SOWIT ci ha aiutato a stimare con precisione le nostre rese, in modo tempestivo e accurato, risparmiando al contempo risorse sul campo».

Valore operativo per i team agricoli#

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

• Stime più ripetibili: un flusso di lavoro definito per le immagini e il campionamento riduce la variabilità tra i diversi addetti al conteggio.
• Meno conteggi manuali: i team possono dedicare meno tempo a esaminare ogni albero e più tempo ad agire sulla base delle informazioni ottenute.
• Pianificazione anticipata: stime tempestive possono supportare la programmazione della raccolta, del personale, dei trasporti, dello stoccaggio e delle trattative di vendita.
• Un processo di 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 devono valutare l’accuratezza sui dati delle aziende agricole in cui il sistema sarà operativo, esaminare i casi di errore e riaddestrare il modello quando cambiano colture, stagioni, fotocamere o condizioni operative.

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 alla base rimane attuale: preparare un dataset rappresentativo, addestrare un modello di rilevamento degli oggetti, validarlo rispetto alle condizioni operative reali e distribuirlo all’interno di un’applicazione che risolva un problema concreto per l’utente.

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 accuratezza, latenza e compatibilità hardware, in base a una distribuzione sul campo, all’edge o nel cloud.

Gestire il ciclo di vita della computer vision con Ultralytics Platform#

Ultralytics Platform offre un unico spazio di lavoro per portare un progetto di IA per la computer vision dai dati alla produzione. Un team che sviluppa un’applicazione agricola può utilizzare Platform per:

• Reperire 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 infrastrutture locali.
• Esaminare le metriche del modello e confrontare gli esperimenti.
• Distribuire i modelli per l’inferenza sui target supportati.
• Monitorare i flussi di lavoro in 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 in una stagione specifici potrebbe incontrare in seguito varietà, condizioni meteorologiche, illuminazione, fasi di crescita o dispositivi fotografici diversi. Mantenere collegati dataset, esperimenti, distribuzioni e monitoraggio facilita la gestione di questi cambiamenti.

Sviluppare un’IA per la computer vision pratica in agricoltura#

I progetti di computer vision più efficaci iniziano dalla decisione operativa che devono 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 utilizzare.

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 aumentare la scala. Dovrebbero inoltre testare il sistema in condizioni realistiche sul campo, comprese illuminazione difficile e frutti parzialmente occlusi, e verificare che la distribuzione funzioni con la connettività e l’hardware disponibili.

Il lavoro di SOWIT dimostra come Ultralytics YOLO possa trasformare le immagini del 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 basarsi su questo approccio per sviluppare sistemi di IA per la computer vision manutenibili, destinati alle aziende agricole e ad altri ambienti reali.

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