SOWITがよりスマートな農業のためにUltralytics YOLOを活用する方法

SOWITは、農業科学、エンジニアリング、ソフトウェアを統合し、農場がフィールドデータに基づいてより良い意思決定を行えるよう支援しています。その実用的なアプリケーションの1つとして、Ultralytics YOLOのオブジェクト検出を使用して画像からカンキツ類の収量を推定し、時間のかかる手動プロセスを再現可能なコンピュータビジョンワークフローに置き換えています。

このプロジェクトは、ビジョンAIが具体的な運用上の課題（代表的な画像の収集、果実の一貫した検出、そして農場チームが計画に活用できる情報への検出結果の変換）を中心に設計されている場合、どのように農業を支援できるかを示しています。

課題：広大な果樹園全体での収穫量の推定#

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カンキツ類の農場と協働しました。約180ヘクタールの敷地において、樹上の果実の数を推定することは、収穫の計画、労働力の割り当て、販売、およびロジスティクスにとって不可欠でした。

従来の収穫量推定は、サンプル抽出された樹木から作業員が手動で果実を数え、その結果を果樹園全体に外挿することに依存しています。そのアプローチにはコストと時間がかかり、観測者間で結果にばらつきが生じる可能性があります。推定値が遅れたり一貫性がなかったりすると、農場側にとってバイヤーとの交渉や収穫に必要なリソースの準備に役立つ信頼性の低い情報になってしまいます。

SOWITには、農家がすでに所有している機器で動作し、現場のオペレーションに適合し、すべての果実を手作業で数えることなく一貫した結果を生み出す方法が必要でした。

SOWITがUltralytics YOLOを選択した理由#

SOWITは、初期のソリューションをUltralytics YOLOv5で構築しました。YOLOモデルは、1回の推論パスで画像を処理し、検出され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、オブジェクトは樹上の個々の果実です。

システムは単に果実の存在有無を判断するだけでなく、検出結果をカウントできるように同じ画像内の複数の果実の位置を特定する必要があるため、物体検出はこの課題に適しています。また、効率的な推論により、ワークフローに大きな遅延を生じさせることなく、多くのフィールド画像を実用的に処理できます。

モデルは広範なシステムの一部に過ぎません。信頼性の高い収穫量推定は、代表的なトレーニングデータ、一貫した画像キャプチャ、適切なサンプリング、および果樹園で見られる条件下での検証にも依存しています。照明、葉、遮蔽物、果実のサイズ、カメラアングル、および作物の品種はすべてパフォーマンスに影響を与える可能性があります。

SOWITのワークフローの仕組み#

SOWITはこのモデルをSOYFIELDアプリケーションに統合し、推定に求められる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ています。

1. プロットの定義#

ユーザーは農場のプロットを選択し、その境界をマッピングし、作物種類、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、各画像サンプルが農場の正しい部分に結び付けられます。

2. 代表的な樹木の選択#

目標とする誤差の許容範囲を満たすために何本の樹木をサンプリングすべきかがアプリケーションによって決定されます。構造化されたサンプリング計画はバイアスを軽減し、プロットやシーズン間での結果の比較性を高めます。

3. 画像のキャプチャ#

ユーザーは各サンプリング対象の樹木の表側と裏側を撮影します。両側をキャプチャすることで、葉、枝、または他の果実がキャノピーの一部を遮っている場合のカバー率が向上します。

4. 果実の検出とカウント#

画像が推論のために送信されます。YOLOモデルが個々の果実を識別し、アプリケーションがそれらの検出結果をサンプリングされた樹木のカウントに変換します。

5. 収穫量の推定#

サンプリングされたカウントとプロット情報が組み合わされ、果樹園全体の収穫量が推定されます。その後、農場チームはその結果を利用して、商業および運用上の計画に役立てることができます。

Mfruits農場のテクニカルディレクターであるYoussef Sridi氏は、このアプリケーションの実用的な価値について次のように述べています。「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、優れた精度とタイムリーな方法で収穫量を正確に推定することができました。」

農場チームにとっての運用上の価値#

コンピュータビジョンによって農学的専門知識の必要性がなくなるわけではありません。それは、その専門知識に対してより迅速かつ一貫性のある測定ツールを提供します。

• より再現性の高い推定: 定義された画像およびサンプリングワークフローにより、個々のカウンター間のばらつきが軽減されます。
• 手動カウントの削減: チームはすべての樹木の検査にかける時間を減らし、結果として得られる情報に基づいて行動する時間を増やすことができます。
• より迅速な計画: タイムリーな推定は、収穫のスケジューリング、人員配置、輸送、保管、および販売に関する議論をサポートできます。
• 再利用可能なデータプロセス: 画像とモデルの結果は、時間の経過に伴うパフォーマンスの評価や、現場の条件の変化に応じたシステムの改善のための基盤を構築します。

これらのメリットは、モデルの品質維持にかかっています。チームは、システムが稼働する農場からのデータに基づいて精度を評価し、失敗ケースを確認し、作物、シーズン、カメラ、または運用条件が変更されたときに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モデルまで#

SOWITのプロジェクトは、Ultralytics YOLOファミリーの進化において重要なモデルであるYOLOv5で開発されました。根底にあるワークフローは引き続き関連性を持っています。つまり、代表的な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それを検証し、明確なユーザーの課題を解決するアプリケーション内にデプロイすることです。

新しいプロジェクトでは、Ultralytics YOLO26が最新の安定版モデルであり、推奨される開始点となります。チームはモデルのサイズとエクスポートフォーマットを比較して、フィールド、エッジ、またはクラウドへ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ビジョンライフサイクルの管理#

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と移行するための一元化されたワークスペースを提供します。農業用アプリケーションを構築するチームは、Platformを使用して次を行うことができます。

• 画像データセットの調達と整理。
• データの注釈付けと、自動アノテーションによるラベリングの加速。
• クラウドまたはローカルインフラストラクチャでのUltralytics YOLOモデルのトレーニング。
• モデルメトリクスの確認と実験の比較。
• サポートされているターゲット全体での推論のためのモデルのデプロイ。
• 本番ワークフローの監視と、新しいフィールドデータによるモデルの継続的な改善。

農業環境は静的ではないため、このライフサイクルが重要となります。1つの果樹園やシーズンでトレーニングされたモデルは、後で異なる品種、天候、照明、成長段階、または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、デプロイメント、およびモニタリングを接続された状態に保つことで、それらの変更の管理が容易になります。

農業向けの実用的なビジョンAIの構築#

最も優れたコンピュータビジョンプロジェクトは、改善する必要がある運用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穫量推定値を生成することでした。

同様のシステムを計画しているチームは、スケーリングを行う前に、サンプリング方法、成功基準、推論環境、および人間のレビュープロセスを定義する必要があります。また、困難な照明や部分的に遮蔽された果実を含む現実的なフィールド条件の下でテストを行い、利用可能な接続性とハードウェアでデプロイメントが機能することを確認する必要があります。

SOWITの作業は、Ultralytics YOLOがフィールド画像を有用な農業情報にどのように変換できるかを示しています。最新のYOLOモデルと、完全なコンピュータビジョンライフサイクルをサポートするUltralytics Platformにより、チームはそのパターンを基にして、農場やその他の実世界の環境に向けた保守可能なビジョンAIシステムを開発できます。

Explore Ultralytics Platformを活用して、独自のコンピュータビジョンワークフローの構築と管理を始めましょう。