SOWIT는 더 스마트한 농업을 위해 Ultralytics YOLO를 어떻게 활용하는가

SOWIT은 농업학, 엔지니어링, 소프트웨어를 결합하여 농장이 현장 데이터에 기반해 더 나은 의사 결정을 내릴 수 있도록 지원합니다. 실제 적용 사례 중 하나에서는 Ultralytics YOLO 객체 감지를 사용해 이미지에서 감귤류 수확량을 추정하고, 느린 수작업 프로세스를 반복 가능한 컴퓨터 비전 워크플로로 대체합니다.

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

과제: 대규모 과수원의 수확량 추정#

SOWIT은 모로코의 마라케시와 임틴아우트 사이에 위치한 감귤 농장과 협력했습니다. 약 180헥타르에 걸쳐 나무에 달린 과일의 개수를 추정하는 일은 수확 계획, 인력 배치, 판매 및 물류에 필수적이었습니다.

기존 수확량 추정은 표본 나무의 과일을 사람이 수작업으로 세고 그 결과를 과수원 전체로 외삽하는 방식에 의존합니다. 이 방식은 비용과 시간이 많이 들 수 있으며 관찰자에 따라 결과가 달라질 수 있습니다. 추정이 늦거나 일관되지 않으면 농장은 구매자와 협상하고 수확에 필요한 자원을 준비하는 데 신뢰할 수 있는 정보를 충분히 확보하기 어렵습니다.

SOWIT은 농부들이 이미 보유한 장비로 사용할 수 있고 현장 운영에 적합하며, 모든 과일을 손으로 세지 않아도 일관된 결과를 제공하는 방법을 필요로 했습니다.

SOWIT이 Ultralytics YOLO를 선택한 이유#

SOWIT은 처음에 Ultralytics YOLOv5를 사용해 솔루션을 구축했습니다. YOLO 모델은 한 번의 추론으로 이미지를 처리하고 감지된 각 객체의 위치와 클래스를 반환합니다. 이 사용 사례에서 객체는 나무에 달린 각각의 과일입니다.

객체 감지는 과일의 존재 여부만 판단하는 것이 아니므로 이 문제에 적합합니다. 동일한 이미지에서 여러 과일의 위치를 찾아 감지 결과를 셀 수 있어야 합니다. 또한 효율적인 추론 덕분에 워크플로를 크게 지연시키지 않고 많은 현장 이미지를 처리할 수 있습니다.

모델은 더 광범위한 시스템의 한 구성 요소입니다. 신뢰할 수 있는 수확량 추정은 대표성 있는 학습 데이터, 일관된 이미지 촬영, 적절한 샘플링, 과수원에서 실제로 발생하는 조건에서의 검증에도 좌우됩니다. 조명, 잎, 가림, 과일 크기, 카메라 각도 및 품종은 모두 성능에 영향을 줄 수 있습니다.

SOWIT 워크플로의 작동 방식#

SOWIT은 모델을 SOYFIELD 애플리케이션에 통합하여 농부들이 추정에 필요한 정보를 수집할 수 있도록 안내형 프로세스를 제공했습니다.

1. 구획 정의#

사용자는 농장 구획을 선택하고 경계를 매핑하며 작물 유형, 나무 수, 재배 방식과 같은 관련 정보를 기록합니다. 이러한 맥락 정보는 각 이미지 샘플을 농장의 올바른 위치와 연결합니다.

2. 대표 나무 선택#

애플리케이션은 목표 오차 범위를 충족하기 위해 샘플링해야 하는 나무의 수를 결정합니다. 체계적인 샘플링 계획은 편향을 줄이고 구획과 계절에 따른 결과를 더욱 쉽게 비교할 수 있도록 합니다.

3. 이미지 촬영#

사용자는 샘플로 선정된 각 나무의 앞면과 뒷면을 촬영합니다. 양쪽 면을 모두 촬영하면 잎, 가지 또는 다른 과일로 인해 수관의 일부가 가려지는 경우에도 커버리지를 높일 수 있습니다.

4. 과일 감지 및 계수#

이미지를 추론 단계로 전송합니다. YOLO 모델은 개별 과일을 식별하고, 애플리케이션은 해당 감지 결과를 샘플 나무의 개수로 변환합니다.

5. 수확량 추정#

샘플의 계수 결과를 구획 정보와 결합하여 과수원 전체의 수확량을 추정합니다. 그러면 농장 팀은 그 결과를 상업적 및 운영 계획 수립에 활용할 수 있습니다.

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

농장 팀을 위한 운영상의 가치#

컴퓨터 비전이 농업 전문 지식의 필요성을 없애 주는 것은 아닙니다. 대신 해당 전문 지식을 더 빠르고 일관된 측정 도구로 지원합니다.

• 더 반복 가능한 추정: 정의된 이미지 및 샘플링 워크플로는 개별 계수자 간의 편차를 줄입니다.
• 수작업 계수 감소: 팀은 모든 나무를 점검하는 데 쓰는 시간을 줄이고, 그 결과로 얻은 정보를 활용하는 데 더 많은 시간을 할애할 수 있습니다.
• 더 이른 계획 수립: 적시에 제공되는 추정치는 수확 일정, 인력 배치, 운송, 보관 및 판매 협상을 지원할 수 있습니다.
• 재사용 가능한 데이터 프로세스: 이미지와 모델 결과는 시간에 따른 성능을 평가하고 현장 조건이 변할 때 시스템을 개선할 수 있는 기반을 마련합니다.

이러한 이점은 모델 품질을 유지하는 데 달려 있습니다. 팀은 시스템이 운영될 농장의 데이터로 정확도를 평가하고, 실패 사례를 검토하며, 작물, 계절, 카메라 또는 운영 조건이 변경될 때 재학습해야 합니다.

YOLOv5에서 최신 Ultralytics YOLO 모델까지#

SOWIT의 프로젝트는 Ultralytics YOLO 제품군의 발전 과정에서 중요한 모델인 YOLOv5로 개발되었습니다. 기본 워크플로는 여전히 유효합니다. 대표성 있는 데이터셋을 준비하고, 객체 감지 모델을 학습하며, 실제 운영 조건을 기준으로 검증하고, 명확한 사용자 문제를 해결하는 애플리케이션 내부에 배포하는 과정입니다.

새로운 프로젝트의 경우 Ultralytics YOLO26이 최신 안정 모델이자 권장되는 시작점입니다. 팀은 모델 크기와 내보내기 형식을 비교하여 현장, 엣지 또는 클라우드 배포에 가장 적합한 정확도, 지연 시간 및 하드웨어 호환성의 균형을 선택할 수 있습니다.

Ultralytics Platform으로 컴퓨터 비전 수명 주기 관리#

Ultralytics Platform은 비전 AI 프로젝트를 데이터에서 프로덕션으로 전환할 수 있는 단일 작업 공간을 제공합니다. 농업용 애플리케이션을 구축하는 팀은 Platform을 사용하여 다음을 수행할 수 있습니다.

• 이미지 데이터셋을 수집하고 정리합니다.
• 데이터에 주석을 추가하고 자동 주석으로 라벨링을 가속합니다.
• 클라우드 또는 로컬 인프라에서 Ultralytics YOLO 모델을 학습합니다.
• 모델 지표를 검토하고 실험을 비교합니다.
• 지원되는 대상에 추론용 모델을 배포합니다.
• 프로덕션 워크플로를 모니터링하고 새로운 현장 데이터로 모델을 지속적으로 개선합니다.

농업 환경은 정적이지 않기 때문에 이러한 수명 주기가 중요합니다. 한 과수원이나 계절의 데이터로 학습한 모델은 이후 다른 품종, 날씨, 조명, 생육 단계 또는 카메라 장치를 접할 수 있습니다. 데이터셋, 실험, 배포 및 모니터링을 연결된 상태로 유지하면 이러한 변경 사항을 더 쉽게 관리할 수 있습니다.

농업을 위한 실용적인 비전 AI 구축#

가장 강력한 컴퓨터 비전 프로젝트는 개선해야 할 운영상의 의사 결정에서 출발합니다. SOWIT의 경우 목표는 단순히 이미지에서 과일을 감지하는 것이 아니라 농부들이 활용할 수 있는 시의적절한 수확량 추정치를 제공하는 것이었습니다.

유사한 시스템을 계획하는 팀은 확장하기 전에 샘플링 방법, 성공 지표, 추론 환경 및 사람의 검토 프로세스를 정의해야 합니다. 또한 까다로운 조명과 부분적으로 가려진 과일을 포함한 현실적인 현장 조건에서 테스트하고, 사용 가능한 연결성과 하드웨어로 배포가 작동하는지 확인해야 합니다.

SOWIT의 작업은 Ultralytics YOLO가 현장 이미지를 유용한 농업 정보로 변환할 수 있음을 보여줍니다. 최신 YOLO 모델과 전체 컴퓨터 비전 수명 주기를 지원하는 Ultralytics Platform을 활용하면 팀은 이러한 패턴을 기반으로 농장과 기타 실제 환경을 위한 유지 관리 가능한 비전 AI 시스템을 구축할 수 있습니다.

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