SOWITがUltralytics YOLOでスマート農業を実現する方法

SOWITは、農学、エンジニアリング、ソフトウェアを組み合わせ、圃場データに基づいて農場がより適切な意思決定を行えるよう支援しています。実用的な活用例の一つでは、Ultralytics YOLOの物体検出を画像に適用して柑橘類の収量を推定し、時間のかかる手作業を再現可能なコンピュータービジョンのワークフローに置き換えています。

このプロジェクトは、特定の業務上の課題を中心に設計することで、ビジョンAIが農業をどのように支援できるかを示しています。代表性のある画像を収集し、果実を一貫して検出し、その検出結果を農場のチームが計画に活用できる情報へ変換します。

課題：広大な果樹園全体の収量を推定する#

SOWITは、モロッコのマラケシュとイミンタヌートの間にある柑橘農場と協力しました。約180ヘクタールにわたり、樹木に実っている果実の数を推定することは、収穫計画、人員配置、販売、物流に不可欠でした。

従来の収量推定では、担当者がサンプルとなる樹木の果実を手作業で数え、その結果を果樹園全体に外挿します。この方法はコストと時間がかかるうえ、観察者によって結果が異なる可能性があります。推定が遅れたり一貫性を欠いたりすると、買い手との交渉や収穫に必要なリソースの準備において、農場が利用できる情報の信頼性が低下します。

SOWITには、農家がすでに保有している機器で運用でき、現場の業務に組み込め、すべての果実を手作業で数えなくても一貫した結果を提供できる方法が必要でした。

SOWITがUltralytics YOLOを選択した理由#

SOWITは、Ultralytics YOLOv5を使用して元のソリューションを構築しました。YOLOモデルは1回の推論パスで画像を処理し、検出した各オブジェクトの位置とクラスを返します。このユースケースでは、オブジェクトは樹木に実っている個々の果実です。

物体検出は、この課題に適しています。システムには、果実が存在するかどうかを判断するだけでなく、同じ画像内にある複数の果実を特定し、検出結果をカウントすることが求められるためです。効率的な推論により、ワークフローに長い遅延を生じさせず、多数の現場画像を実用的に処理できます。

モデルは、より大きなシステムの一部にすぎません。信頼性の高い収量推定には、代表性のあるトレーニングデータ、一貫した画像撮影、適切なサンプリング、そして果樹園で見られる条件下での検証も必要です。照明、葉、遮蔽、果実のサイズ、カメラアングル、品種はすべて、性能に影響する可能性があります。

SOWITのワークフローの仕組み#

SOWITはモデルをSOYFIELDアプリケーションに統合し、推定に必要な情報を収集するためのガイド付きプロセスを農家に提供しました。

1. 区画を定義する#

ユーザーは農場の区画を選択し、その境界をマッピングして、作物の種類、樹木の数、栽培方法などの関連情報を記録します。このコンテキストにより、各画像サンプルを農場内の正しい場所に関連付けられます。

2. 代表性のある樹木を選択する#

アプリケーションは、目標とする誤差範囲を満たすためにサンプルとして選ぶべき樹木の数を決定します。体系的なサンプリング計画により、バイアスを抑え、区画間や季節間で結果を比較しやすくなります。

3. 画像を撮影する#

ユーザーは、サンプルとして選んだ各樹木の表側と裏側を撮影します。両側を撮影することで、葉、枝、その他の果実によって樹冠の一部が隠れている場合でも、カバレッジを向上できます。

4. 果実を検出してカウントする#

画像は推論に送信されます。YOLOモデルが個々の果実を特定し、アプリケーションがその検出結果をサンプル樹木の果実数に変換します。

5. 収量を推定する#

サンプルのカウント結果を区画情報と組み合わせ、果樹園全体の収量を推定します。その後、農場のチームは、その結果を商業計画や業務計画に活用できます。

Mfruits農場のテクニカルディレクターであるYoussef Sridi氏は、アプリケーションの実用的な価値について次のように説明しています。「SOWITのアプリケーションを使用することで、現場のリソースを節約しながら、適切なタイミングで高い精度を保ち、収量を正確に推定できました。」

農場チームにとっての業務上の価値#

コンピュータービジョンによって農学の専門知識が不要になるわけではありません。その専門知識に、より迅速で一貫性の高い測定ツールを提供します。

• より再現性の高い推定: 画像撮影とサンプリングの手順を定めることで、担当者ごとのばらつきを抑えられます。
• 手作業によるカウントの削減: チームはすべての樹木を確認する時間を減らし、得られた情報の活用により多くの時間を使えるようになります。
• より早い計画立案: タイムリーな推定により、収穫スケジュール、人員配置、輸送、保管、販売に関する協議を支援できます。
• 再利用可能なデータプロセス: 画像とモデルの結果が、時間の経過に伴う性能評価や、現場の条件変化に応じたシステム改善の基盤になります。

これらのメリットは、モデルの品質を維持することが前提です。チームは、システムを運用する農場から得たデータで精度を評価し、失敗事例を確認し、作物、季節、カメラ、運用条件が変化した際には再トレーニングを行う必要があります。

YOLOv5から現在のUltralytics YOLOモデルへ#

SOWITのプロジェクトは、Ultralytics YOLOファミリーの発展において重要なモデルであるYOLOv5を使用して開発されました。基盤となるワークフローは現在も有効です。代表性のあるデータセットを準備し、物体検出モデルをトレーニングし、実際の運用条件に対して検証し、明確なユーザー課題を解決するアプリケーション内にデプロイします。

新しいプロジェクトでは、Ultralytics YOLO26が最新の安定モデルであり、推奨される出発点です。チームはモデルサイズとエクスポート形式を比較し、現場、エッジ、クラウドのデプロイに最適な精度、レイテンシ、ハードウェア互換性のバランスを選択できます。

Ultralytics Platformによるコンピュータービジョンのライフサイクル管理#

Ultralytics Platformは、ビジョンAIプロジェクトをデータから本番環境へ移行するための1つのワークスペースを提供します。農業アプリケーションを構築するチームは、Platformを使用して次のことを実行できます。

• 画像データセットを収集して整理する。
• データにアノテーションを付け、自動アノテーションでラベリングを高速化する。
• クラウドまたはローカルインフラストラクチャでUltralytics YOLOモデルをトレーニングする。
• モデルのメトリクスを確認し、実験を比較する。
• サポートされているターゲット向けにモデルをデプロイして推論を実行する。
• 本番環境のワークフローを監視し、新しい現場データでモデルを継続的に改善する。

農業環境は静的ではないため、このライフサイクルは重要です。ある果樹園や季節のデータでトレーニングしたモデルが、後に異なる品種、天候、照明、生育段階、カメラデバイスに遭遇する可能性があります。データセット、実験、デプロイ、監視を連携して管理することで、こうした変化をより容易に管理できます。

実用的な農業向けビジョンAIの構築#

優れたコンピュータービジョンプロジェクトは、改善すべき業務上の意思決定から始まります。SOWITの場合、目的は単に画像内の果実を検出することではなく、農家が活用できるタイムリーな収量推定を提供することでした。

同様のシステムを計画するチームは、規模を拡大する前に、サンプリング方法、成功指標、推論環境、人によるレビューのプロセスを定義する必要があります。また、厳しい照明条件や一部が遮蔽された果実など、現実的な現場条件でテストし、利用可能な接続環境とハードウェアでデプロイが機能することを確認する必要があります。

SOWITの取り組みは、Ultralytics YOLOが現場の画像を有用な農業情報へ変換できることを示しています。最新のYOLOモデルと、コンピュータービジョンのライフサイクル全体を支援するUltralytics Platformにより、チームはこのパターンを基盤として、農場やその他の現実世界の環境向けに保守しやすいビジョンAIシステムを開発できます。

Ultralytics Platformを詳しく見ることで、独自のコンピュータービジョンワークフローの構築と管理を始められます。