農業分野ではコンピュータビジョンをどのように活用しますか？

農業分野のコンピュータビジョンでは、カメラとAIモデルを使用して作物を監視し、害虫や病気を検出し、家畜を追跡し、自律型機械を誘導し、収穫量を推定します。Ultralytics YOLOモデルは、圃場、温室、畜舎でこれらの検査をリアルタイムに実行し、雑草、病気の家畜、作物のストレスなどの問題を発生時に検出します。

農業向けコンピュータビジョンとは何ですか？

農業向けコンピュータビジョンでは、ドローン、地上カメラ、ロボット、衛星から得られる視覚データをAIモデルで解釈し、作物のモニタリング、家畜の健康状態確認、精密農業の作業を自動化します。Ultralytics YOLO26はディープラーニングを使用して、ルールベースのシステムでは見逃す微細な違いを認識し、システムを再設計することなく、新しい作物、動物、圃場条件に適応します。

農業におけるビジョンシステムとは何ですか？

農業におけるビジョンシステムは、カメラ、センサー、ソフトウェアを組み合わせて画像を取得し、意思決定に変換します。雑草の識別、家畜の頭数カウント、生育段階の監視、病気の検出などが可能です。最新のシステムでは、このハードウェアにUltralytics YOLOのようなAIモデルを組み合わせ、変化する照明、天候、季節条件に柔軟に対応します。

農業運用にはどのコンピュータビジョンプラットフォームが適していますか？

農業運用では、特定の作物、家畜、設備に合わせたモデルのトレーニングに対応し、圃場のエッジデバイスへ低レイテンシー推論用にデプロイできるプラットフォームを選ぶことが重要です。Ultralytics Platformは、アノテーション、トレーニング、デプロイメントを1か所でカバーし、本番利用向けにエンタープライズライセンスも提供します。

コンピュータビジョンは、日光のまぶしさ、ほこり、雨のある屋外でも機能しますか？

はい。屋外での性能は、モデルだけでなくトレーニングデータにも左右されます。さまざまな天候や照明条件で生産者自身が撮影した画像を用いてトレーニングしたUltralytics YOLOモデルは、日光のまぶしさ、ほこり、雨にも安定して対応します。病気の作物の例とともに健全な作物の背景画像を含めることで、影や土壌による誤検出を削減できます。

YOLOモデルは圃場の設備やドローン上でオフライン実行できますか？

はい。圃場では安定したインターネット接続がないため、農業分野の導入の多くはオフラインで実行されます。Ultralytics YOLO26はJetsonやRaspberry Piなどのエッジハードウェア向け形式にエクスポートできるため、接続なしでトラクター、ドローン、圃場センサー上でモデルを実行できます。本番利用にはエンタープライズライセンスが適用されます。

農業分野のコンピュータビジョン

作物のモニタリングから野生生物の保全まで、農業や家畜管理向けのリアルタイムコンピュータビジョンソリューションを数日で構築します。

世界をリードする組織から信頼されています

Ultralytics YOLOによる農業分野への対応

業務に合わせたリアルタイムAI

農地、農場、畜産業務向けに構築されています。Ultralytics YOLOは、既存のインフラを活用し、正確かつ高速で本番環境に対応したコンピュータビジョンによってワークフローを強化します。

プラグアンドプレイのデプロイ：最小限のオーバーヘッドでデプロイでき、統合にかかる期間を数日まで短縮します。
検出精度：作物、家畜、害虫、設備にわたる最先端のリアルタイム検出です。
5ms未満の推論：17種類以上のエクスポート形式によるエッジ、クラウド、またはオンプレミス展開。
数時間で本番環境に対応：アノテーション、トレーニング、デプロイにより市場投入までの時間を短縮します。

ライセンスをリクエスト

農業分野で実証された成果

最近の導入事例は、生産者向けにUltralytics YOLOのビジョンAIが実現する成果を示しています。作物状況の早期把握、収穫自動化の高速化、手作業の削減です。

作物の健全性93.3%

拡大する前に作物のストレスを検出

Ultralytics YOLO11は、健全な植物、ストレスを受けた植物、損傷した植物を93.3% mAP、60 FPS超で検出し、問題のある区域をリアルタイムに特定します。

Rana & Vaidya, Scientific Reports, 2026

収穫の自動化83 FPS

軽量なハードウェアで収穫を高速化

Ultralytics YOLOv8nのリンゴ検出器は、わずか4.3 MBで83 FPS、0.885 mAPを実現し、収穫ロボットにデバイス上のリアルタイムビジョンを提供します。

Zhang & Huang et al., Sensors, 2026

家畜モニタリング96.7%

手作業による頭数カウントを自動化

Ultralytics YOLOv8の家禽カウンターは、90.9 FPSで96.7%のF1スコアを達成し、時間がかかりミスの起こりやすい手作業による頭数カウントを自動化します。

Wu et al., Animals, 2025

YOLO26の推論を試す

画像をドラッグ＆ドロップしてリアルタイム物体検出を確認

入力画像

画像をアップロードするか、例を選択してテストします Wheat Head Detection YOLO26s. Predictドキュメント

ライブデモ

ここに画像をドロップ

またはクリックして参照

JPEG、PNG、WebP、AVIF、HEIC、JP2、TIFF、BMPなどに対応（最大10MB）

または例を試す

信頼度

0.25

IoU

0.70

画像サイズ

640

APIドキュメント

モデルをデプロイして、APIキー認証付きの専用推論エンドポイントを取得します。その後、以下のプレースホルダーURLとキーを、デプロイ時の値に置き換えてください。デプロイドキュメント

注記： これはサンプルコードです。まずモデルをデプロイして、エンドポイントURLとAPIキーを取得してください。

import requests

# Replace with your deployment URL and API key
url = "https://your-deployment-url.run.app/predict"
api_key = "YOUR_API_KEY"

# Optional inference parameters (conf, iou, imgsz)
args = {"conf": 0.25, "iou": 0.7, "imgsz": 640}

with open("image.jpg", "rb") as f:
    response = requests.post(
        url,
        headers={"Authorization": f"Bearer {api_key}"},
        data=args,
        files={"file": f},
    )

print(response.json())