SOWIT이 더 스마트한 농업을 위해 Ultralytics YOLO를 활용하는 방법

SOWIT은 농장이 현장 데이터에 기반해 더 나은 의사결정을 내릴 수 있도록 농업학, 엔지니어링, 소프트웨어를 결합합니다. 실제 적용 사례 중 하나는 Ultralytics YOLO 객체 감지를 사용해 이미지에서 감귤 수확량을 추정하는 것입니다. 이를 통해 느리고 수작업으로 진행되던 프로세스를 반복 가능한 컴퓨터 비전 워크플로로 대체합니다.

이 프로젝트는 특정 운영 문제를 해결하도록 설계된 비전 AI가 농업을 지원할 수 있음을 보여줍니다. 대표성 있는 이미지를 수집하고, 과일을 일관되게 감지하며, 농장 팀이 계획 수립에 활용할 수 있는 정보로 감지 결과를 변환합니다.

과제: 대규모 과수원의 수확량 추정#

SOWIT은 모로코 마라케시와 이민타누트 사이에 있는 감귤 농장과 협력했습니다. 약 180헥타르에 걸쳐 나무에 열린 과일 수를 추정하는 일은 수확 계획, 인력 배치, 판매, 물류에 필수적이었습니다.

기존의 수확량 추정은 표본으로 선정한 나무의 과일을 사람이 직접 세고 그 결과를 과수원 전체에 적용하는 방식에 의존합니다. 이 방식은 비용과 시간이 많이 들고 관찰자에 따라 결과가 달라질 수 있습니다. 추정치가 늦거나 일관성이 없으면 농장은 구매자와 협상하고 수확에 필요한 자원을 준비하는 데 신뢰할 수 있는 정보를 확보하기 어려워집니다.

SOWIT은 농부들이 이미 보유한 장비를 활용하고 현장 작업에 통합할 수 있으며, 모든 과일을 수작업으로 세지 않아도 일관된 결과를 얻을 수 있는 방법이 필요했습니다.

SOWIT이 Ultralytics YOLO를 선택한 이유#

SOWIT은 Ultralytics YOLOv5를 사용해 최초 솔루션을 구축했습니다. YOLO 모델은 한 번의 추론 과정으로 이미지를 처리하고 감지된 각 객체의 위치와 클래스를 반환합니다. 이 사용 사례에서 객체는 나무에 달린 개별 과일입니다.

이 문제에는 객체 감지가 적합합니다. 시스템은 과일이 있는지만 판단하는 데 그치지 않고, 같은 이미지에 있는 여러 과일의 위치를 찾아 개수를 셀 수 있어야 합니다. 또한 효율적인 추론을 통해 워크플로에 긴 지연을 발생시키지 않고 많은 현장 이미지를 실용적으로 처리할 수 있습니다.

모델은 더 큰 시스템의 일부입니다. 신뢰할 수 있는 수확량 추정은 대표성 있는 학습 데이터, 일관된 이미지 촬영, 적절한 샘플링, 과수원에서 마주하는 조건에 따른 검증에도 달려 있습니다. 조명, 잎과 가지, 가림 현상, 과일 크기, 카메라 각도, 작물 품종은 모두 성능에 영향을 줄 수 있습니다.

SOWIT 워크플로의 운영 방식#

SOWIT은 모델을 SOYFIELD 애플리케이션에 통합해 농부들이 추정에 필요한 정보를 수집할 수 있도록 안내하는 프로세스를 제공했습니다.

1. 필지 정의#

사용자는 농장 필지를 선택하고 경계를 지도에 표시한 뒤 작물 유형, 나무 수, 재배 방식과 같은 관련 정보를 기록합니다. 이러한 맥락 정보는 각 이미지 샘플을 농장의 정확한 구역과 연결합니다.

2. 대표성 있는 나무 선택#

애플리케이션은 목표 오차 범위를 충족하는 데 필요한 표본 나무 수를 결정합니다. 체계적인 샘플링 계획은 편향을 줄이고 필지와 계절에 따른 결과를 더 쉽게 비교할 수 있도록 합니다.

3. 이미지 촬영#

사용자는 표본으로 선정한 각 나무의 앞면과 뒷면을 촬영합니다. 양쪽을 모두 촬영하면 잎, 가지 또는 다른 과일이 수관의 일부를 가리는 경우에도 더 넓은 범위를 확보할 수 있습니다.

4. 과일 감지 및 계수#

이미지를 추론을 위해 전송합니다. YOLO 모델은 개별 과일을 식별하고, 애플리케이션은 감지 결과를 표본 나무별 개수로 변환합니다.

5. 수확량 추정#

표본에서 얻은 개수를 필지 정보와 결합해 과수원 전체의 수확량을 추정합니다. 그러면 농장 팀은 그 결과를 상업 및 운영 계획 수립에 활용할 수 있습니다.

Mfruits 농장의 기술 이사인 Youssef Sridi는 애플리케이션의 실질적인 가치를 다음과 같이 설명했습니다. “SOWIT 애플리케이션을 사용해 현장 자원을 절약하면서 적시에 높은 정밀도로 수확량을 정확하게 추정할 수 있었습니다.”

농장 팀을 위한 운영상의 가치#

컴퓨터 비전이 농업 전문성을 대체하지는 않습니다. 컴퓨터 비전은 더 빠르고 일관된 측정 도구를 통해 전문성을 지원합니다.

• 더 일관성 있는 추정: 정해진 이미지 촬영 및 샘플링 워크플로를 통해 작업자별 계수 결과의 편차를 줄입니다.
• 수작업 계수 감소: 팀은 모든 나무를 조사하는 데 드는 시간을 줄이고, 그 결과로 얻은 정보를 활용하는 데 더 많은 시간을 쓸 수 있습니다.
• 더 빠른 계획 수립: 시기적절한 추정은 수확 일정, 인력 배치, 운송, 보관, 판매 논의를 지원할 수 있습니다.
• 재사용 가능한 데이터 프로세스: 이미지와 모델 결과는 시간에 따른 성능을 평가하고 현장 조건이 바뀔 때 시스템을 개선할 기반을 마련합니다.

이러한 이점은 모델 품질을 유지하는 데 달려 있습니다. 팀은 시스템이 운영될 농장의 데이터를 사용해 정확도를 평가하고, 실패 사례를 검토하며, 작물, 계절, 카메라 또는 운영 조건이 바뀌면 모델을 다시 학습시켜야 합니다.

YOLOv5에서 오늘날의 Ultralytics YOLO 모델까지#

SOWIT의 프로젝트는 Ultralytics YOLO 제품군의 발전 과정에서 중요한 모델인 YOLOv5를 사용해 개발되었습니다. 기반이 되는 워크플로는 여전히 유효합니다. 대표성 있는 데이터셋을 준비하고, 객체 감지 모델을 학습시키며, 실제 운영 조건에서 검증한 뒤, 명확한 사용자 문제를 해결하는 애플리케이션에 배포합니다.

새 프로젝트를 시작할 때는 최신 안정 모델인 Ultralytics YOLO26을 권장합니다. 팀은 모델 크기를 비교하고 내보내기 형식을 검토해 현장, 엣지 또는 클라우드 배포에 가장 적합한 정확도, 지연 시간, 하드웨어 호환성의 균형을 선택할 수 있습니다.

Ultralytics Platform으로 컴퓨터 비전 수명 주기 관리#

Ultralytics Platform은 비전 AI 프로젝트를 데이터 준비부터 프로덕션까지 진행할 수 있는 통합 작업 공간을 제공합니다. 농업 애플리케이션을 개발하는 팀은 Platform을 다음과 같이 활용할 수 있습니다.

• 이미지 데이터셋을 확보하고 정리합니다.
• 자동 주석으로 데이터에 주석을 적용하고 라벨링을 가속화하세요.
• Ultralytics YOLO 모델을 클라우드 또는 로컬 인프라에서 학습하세요.
• 모델 지표를 검토하고 실험 결과를 비교합니다.
• 지원되는 대상 환경에 추론용 모델을 배포합니다.
• 프로덕션 워크플로를 모니터링하고 새로운 현장 데이터로 모델을 지속적으로 개선합니다.

농업 환경은 고정되어 있지 않으므로 이 수명 주기는 중요합니다. 한 과수원이나 계절의 데이터로 학습한 모델은 이후 다른 품종, 날씨, 조명, 생육 단계 또는 카메라 장치에 노출될 수 있습니다. 데이터셋, 실험, 배포, 모니터링을 연결해 관리하면 이러한 변화를 더 쉽게 다룰 수 있습니다.

농업을 위한 실용적인 비전 AI 구축#

가장 효과적인 컴퓨터 비전 프로젝트는 개선하려는 운영상의 의사 결정에서 출발합니다. SOWIT의 경우 목표는 단순히 이미지에서 과일을 감지하는 것이 아니었습니다. 농부가 활용할 수 있도록 적시에 수확량을 추정하는 것이 목표였습니다.

유사한 시스템을 계획하는 팀은 규모를 확장하기 전에 샘플링 방법, 성공 지표, 추론 환경, 사람의 검토 절차를 정의해야 합니다. 또한 까다로운 조명 조건과 일부가 가려진 과일을 포함한 현실적인 현장 조건에서 테스트하고, 사용 가능한 네트워크 연결과 하드웨어에서 배포가 제대로 작동하는지 확인해야 합니다.

SOWIT의 사례는 Ultralytics YOLO가 현장 이미지를 유용한 농업 정보로 전환할 수 있음을 보여줍니다. 최신 YOLO 모델과 컴퓨터 비전 수명 주기 전반을 지원하는 Ultralytics Platform을 활용하면, 팀은 이러한 접근 방식을 바탕으로 농장과 그 밖의 실제 환경에 적합한 유지 관리 가능한 비전 AI 시스템을 개발할 수 있습니다.

Ultralytics Platform 살펴보기를 통해 자체 컴퓨터 비전 워크플로를 구축하고 관리해 보세요.