SOWITがUltralytics YOLOで農業をスマート化する方法

SOWITは、農学、エンジニアリング、ソフトウェアを組み合わせ、農場が圃場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。実用例の一つでは、Ultralytics YOLOの物体検出を使って画像から柑橘類の収量を推定し、時間のかかる手作業を、再現性のある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、具体的な運用上の課題に合わせて設計することで、ビジョンAIが農業を支援できることを示しています。代表性のある画像を収集し、一貫して果実を検出し、農場チームが計画に活用できる情報へと検出結果を変換します。

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園と協力しました。約180ヘクタールの敷地では、収穫計画、人員配置、販売、物流のために、樹木に実る果実の数を推定することが不可欠でした。

従来の収量推定では、サンプルとして選んだ樹木の果実を人が手作業で数え、その結果を果樹園全体に当てはめます。この方法はコストと時間がかかり、観察者によって結果が異なることもあります。推定が遅れたり一貫性を欠いたりすると、農場は買い手との交渉や収穫に必要な資源の準備に使える信頼性の高い情報を得にくくなります。

SOWITには、農家がすでに所有している機器で利用でき、圃場作業に組み込め、すべての果実を手作業で数えなくても一貫した結果を出せる方法が必要でした。

SOWITがUltralytics YOLOを選んだ理由#

SOWITは、Ultralytics YOLOv5を使って当初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、検出した各物体の位置とクラスを返します。このユースケースでは、物体は樹上の個々の果実です。

この課題には物体検出が適しています。システムには果実の有無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、その検出結果を数えられるようにする必要があるためです。また、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ることなく、多数の圃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を構成する要素の一つです。信頼性の高い収量推定には、代表性のある学習データ、一貫した画像撮影、適切なサンプリング、果樹園で見られる条件下での検証も欠かせません。照明、葉、遮蔽、果実のサイズ、カメラの角度、作物の品種はいずれも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、農家が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て境界を地図上に示し、作物の種類、樹木の本数、栽培方法などの関連情報を記録します。この情報により、各画像サンプルを農場内の正しい場所に対応付けられます。

2. 代表的な樹木を選ぶ#

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リングすべき樹木の数を決定します。体系的なサンプリング計画は偏りを減らし、区画や季節をまたいだ結果の比較可能性を高めます。

3. 画像を撮影する#

ユーザーはサンプル対象の樹木を前面と背面から撮影します。両側を撮影することで、葉、枝、ほかの果実によって樹冠の一部が隠れている場合でも、より広く確認できます。

4. 果実を検出して数える#

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対象の樹木ごとの個数に変換します。

5. 収量を推定する#

サンプルの計数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。農場チームはその結果を商業面や運用面の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述べています。「SOWITのアプリケーションを使うことで、現場のリソースを節約しながら、収量を適切なタイミングで高い精度で正確に推定できました。」

農場チームにもたらす運用上の価値#

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。その専門知識を、より迅速で一貫性のある測定ツールによって活用できるようになります。

• 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義することで、担当者ごとのばらつきを減らせます。
• 手作業による計数の削減： チームはすべての樹木を確認する時間を減らし、得られた情報に基づく対応により多くの時間を使えます。
• 早期の計画立案： 適時に得られる推定値は、収穫時期、人員配置、輸送、保管、販売の協議に役立ちます。
• 再利用可能なデータプロセス： 画像とモデルの結果を蓄積することで、時間の経過に伴う性能評価や、圃場の状況変化に応じたシステムの改善に役立つ基盤を構築できます。

こうした利点を得るには、モデルの品質を維持する必要があります。チームは、システムを運用する農場の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、運用条件が変わった際には再学習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ファミリーの進化における重要なモデルであるYOLOv5を使って開発されました。基盤となるワークフローは今も有効です。代表性のあるデータセットを準備し、物体検出モデルを学習させ、実際の運用条件に照らして検証し、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、推奨される開始モデルです。チームはモデルサイズとエクスポート形式を比較し、フィールド、エッジ、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まで進めるための統合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を次のように活用できます。

• 画像データセットを収集して整理します。
• 自動アノテーションでデータにアノテーションを付け、ラベル付けを効率化しましょう。
• Ultralytics YOLOモデルをクラウドまたはローカルインフラストラクチャで学習できます。
• モデルのメトリクスを確認し、実験を比較します。
• 対応する各種ターゲット向けにモデルをデプロイして推論を行います。
• 本番環境のワークフローを監視し、新たな圃場データを使ってモデルの改善を続けます。

農業環境は固定的ではないため、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学習させたモデルが、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ことがあります。データセット、実験、デプロイ、監視を連携させておくことで、こうした変化をより容易に管理できます。

農業における実用的なビジョン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、改善が必要な業務上の意思決定から始まります。SOWITの場合、目的は画像内の果実を検出することだけではなく、農家が活用できるタイムリーな収量推定を行うことでした。

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、照明条件が難しい場合や果実の一部が遮蔽されている場合など、現実的な圃場条件でテストし、利用可能な通信環境や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が圃場の画像を有用な農業情報に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を活用すれば、チームはこのアプローチを基盤に、農場やその他の現実環境で保守しやすいビジョンAIシステムを開発できます。

Ultralytics Platformを試すことで、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。