Tira partido do Ultralytics YOLO11 e da deteção de objetos para o controlo de pragas

Para os agricultores, as culturas representam mais do que uma simples fonte de rendimento — são o resultado de meses de trabalho árduo e dedicação. No entanto, as pragas podem rapidamente transformar esse trabalho árduo em prejuízos. Os métodos tradicionais de controlo de pragas, como as inspeções manuais e o uso generalizado de pesticidas, ficam frequentemente aquém do esperado. Isto, por sua vez, resulta em desperdício de tempo, capital e recursos, bem como em culturas danificadas, rendimentos reduzidos e custos crescentes. Com a previsão de que o mercado do controlo de pragas atinja 32,8 mil milhões de dólares até 2028, soluções melhores são mais importantes do que nunca.

É aqui que tecnologias como a inteligência artificial (AI) e a visão computacional podem intervir e ajudar. Os avanços de ponta estão a mudar a forma como os agricultores lidam com as pragas, e modelos de visão computacional como o Ultralytics YOLO11 estão na vanguarda. Utilizando imagens e vídeos, o YOLO11 pode analisar culturas para detetar pragas precocemente, evitar danos e permitir uma agricultura precisa e eficiente. Estas soluções de agricultura inteligente resultam em poupança de tempo, redução de desperdício e proteção dos rendimentos.

Neste artigo, vamos explorar como o Ultralytics YOLO11 pode redefinir o controlo de pragas, as suas funcionalidades avançadas e os benefícios que proporciona para tornar a agricultura mais inteligente e eficiente.

Utilizar tarefas de visão computacional, como a deteção de objetos, para detetar pragas#

O controlo tradicional de pragas pode parecer uma corrida contra o tempo. As inspeções manuais são lentas, exigem muita mão de obra e normalmente detetam os problemas apenas depois de os danos ocorrerem. Nessa altura, as pragas já se espalharam, causando perdas nas culturas e desperdício de recursos. Estudos mostram que as pragas destroem entre 20% e 40% da produção agrícola mundial todos os anos.

A IA de visão oferece uma nova abordagem para resolver este problema. Câmaras de IA de alta resolução integradas com visão computacional podem ser utilizadas para monitorizar as culturas continuamente e detetar pragas. A deteção precoce ajuda os agricultores a travar rapidamente as pragas antes que estas causem danos significativos.

Fig. 1. Um exemplo de visão computacional a identificar pragas difíceis de detetar a olho nu.

O Ultralytics YOLO11 suporta tarefas de visão computacional, como a deteção de objetos, que pode ser utilizada para identificar pragas em imagens ou vídeos, e a classificação de imagens, que as categoriza, ajudando os agricultores a monitorizar e resolver problemas relacionados com pragas de forma mais eficaz. Os agricultores podem até treinar o YOLO11 com dados personalizados para reconhecer pragas específicas que ameaçam os seus campos.

Por exemplo, um produtor de arroz no Sudeste Asiático pode ter dificuldades com cigarrinhas-castanhas, uma praga importante conhecida por danificar as culturas de arroz na região. Entretanto, um produtor de trigo na América do Norte pode estar a combater pragas como pulgões ou moscas-serras do trigo, conhecidas por reduzirem significativamente os rendimentos do trigo. Esta flexibilidade torna o Ultralytics YOLO11 adaptável aos desafios específicos de diferentes culturas e regiões, oferecendo soluções personalizadas de controlo de pragas.

Compreender as funcionalidades de última geração do Ultralytics YOLO11#

Podes estar a perguntar-te: com tantos modelos de visão computacional disponíveis, o que torna o YOLO11 tão especial? O YOLO11 destaca-se por ser mais eficiente, preciso e versátil do que as versões anteriores dos modelos YOLO. Por exemplo, o YOLO11m alcança uma média da precisão média (mAP) superior — uma medida da precisão com que o modelo deteta objetos — no conjunto de dados COCO, utilizando simultaneamente menos 22% de parâmetros. Os parâmetros são, essencialmente, os elementos fundamentais que um modelo utiliza para aprender e fazer previsões, pelo que menos parâmetros significam que o modelo é mais rápido e leve. É este equilíbrio entre velocidade e precisão que faz o YOLO11 destacar-se.

Fig. 2. O Ultralytics YOLO11 apresenta um desempenho superior ao dos modelos anteriores.

Além disso, o YOLO11 suporta uma vasta gama de tarefas, incluindo segmentação de instâncias, seguimento de objetos, estimativa de pose e deteção de caixas delimitadoras orientadas — tarefas que os utilizadores do Ultralytics YOLOv8 já conhecerão. Estas capacidades, combinadas com a facilidade de utilização do YOLO11, permitem implementar de forma rápida e eficaz soluções para identificar, seguir e analisar objetos em várias aplicações, tudo isto sem uma curva de aprendizagem acentuada.

Além disso, o Ultralytics YOLO11 está otimizado tanto para dispositivos edge como para plataformas na cloud, garantindo um desempenho fluido independentemente das limitações do hardware. Quer seja utilizado na condução autónoma, na agricultura ou na automação industrial, o YOLO11 fornece resultados rápidos, precisos e fiáveis, sendo uma excelente escolha para aplicações de visão computacional em tempo real.

Uma análise mais detalhada do treino personalizado do Ultralytics YOLO11#

Então, como funciona na prática o treino personalizado do Ultralytics YOLO11? Considera um agricultor que lida com escaravelhos que ameaçam as suas culturas. Ao treinar o YOLO11 com um conjunto de dados de imagens anotadas que mostram escaravelhos em diferentes cenários, o modelo aprende a reconhecê-los com precisão. Isto permite ao agricultor criar uma solução adaptada ao seu problema específico de pragas. A capacidade do YOLO11 de se adaptar a diferentes pragas e regiões proporciona aos agricultores uma ferramenta fiável para proteger as suas culturas.

Fig. 3. O Ultralytics YOLO11 pode ser utilizado para detetar escaravelhos com precisão e realizar um controlo direcionado de pragas.

Eis como um agricultor pode treinar o Ultralytics YOLO11 para detetar escaravelhos:

• Recolher o conjunto de dados: O primeiro passo consiste em recolher dados ou encontrar um conjunto de dados preexistente, incluindo imagens de escaravelhos nas culturas e imagens sem escaravelhos para comparação.
• Anotar os dados: Nos dados recolhidos, cada imagem pode ser anotada com uma ferramenta como o Roboflow, desenhando caixas delimitadoras à volta dos escaravelhos e atribuindo-lhes a etiqueta "beetle". Se for utilizado um conjunto de dados preexistente, este passo pode ser ignorado, uma vez que as anotações já são normalmente fornecidas.
• Treinar o modelo: O conjunto de dados anotado pode então ser utilizado para treinar o Ultralytics YOLO11, ajustando o modelo para se concentrar especificamente na deteção de escaravelhos.
• Testar e validar: O modelo treinado pode ser avaliado utilizando um conjunto de dados de teste e métricas de desempenho, como a precisão e o mAP, para verificar a exatidão e a fiabilidade.
• Implementar o modelo: Assim que o modelo estiver pronto, pode ser implementado em drones, dispositivos edge ou câmaras no campo. Estas ferramentas podem analisar transmissões de vídeo em tempo real para detetar escaravelhos precocemente e ajudar o agricultor a tomar medidas direcionadas.

Ao seguir estes passos, os agricultores podem criar uma solução personalizada de controlo de pragas, reduzindo o uso de pesticidas, poupando recursos e protegendo as suas culturas de uma forma mais inteligente e sustentável.

Aplicações da deteção de pragas com visão computacional#

Agora que analisámos as funcionalidades do Ultralytics YOLO11 e a forma como pode ser treinado com dados personalizados, vamos explorar algumas das aplicações interessantes que permite.

Classificação de doenças das plantas com o Ultralytics YOLO11#

A classificação de doenças das plantas e a deteção de pragas estão intimamente relacionadas, sendo ambas essenciais para manter as culturas saudáveis. O Ultralytics YOLO11 pode ser utilizado para enfrentar ambos os desafios através das suas capacidades avançadas de deteção de objetos e classificação de imagens.

Por exemplo, imagina que um agricultor está a lidar simultaneamente com pulgões e oídio nas suas culturas. O Ultralytics YOLO11 pode ser treinado para detetar pulgões, que podem ser visíveis na parte inferior das folhas, e identificar simultaneamente os primeiros sinais de oídio, uma doença fúngica que causa manchas brancas e pulverulentas nas superfícies das plantas.

Fig. 4. Como os pulgões e o oídio ocorrem em simultâneo. Imagem do autor.

Como as infestações de pulgões frequentemente enfraquecem a planta e criam condições favoráveis ao desenvolvimento de doenças, detetar ambos em simultâneo permite ao agricultor tomar medidas precisas, como aplicar tratamentos adequados nas áreas afetadas.

Seguir os movimentos das pragas para evitar a sua propagação#

Saber onde estão as pragas é importante, mas compreender como se movimentam pode ser igualmente essencial. As pragas não ficam num só lugar — espalham-se e frequentemente causam mais danos pelo caminho. Com o seguimento de objetos, o YOLO11 pode captar mais do que um único momento. Pode seguir o movimento das pragas em vídeos, ajudando os agricultores a perceber como as infestações crescem e se espalham.

Por exemplo, imagina um enxame de gafanhotos a atravessar um campo de trigo. Drones equipados com o Ultralytics YOLO11 podem seguir o movimento do enxame em tempo real, identificando as áreas de maior risco. Com esta informação, os agricultores podem agir rapidamente, aplicando tratamentos direcionados ou instalando barreiras para deter o enxame antes que cause danos excessivos. A capacidade de seguimento do YOLO11 fornece aos agricultores os conhecimentos necessários para evitar que as infestações se agravem.

Fig. 5. Um drone integrado com o Ultralytics YOLO11.

Avaliação da saúde das culturas e deteção de danos causados por pragas#

A deteção de pragas e a classificação de doenças das plantas são apenas uma parte da solução. Compreender a extensão dos danos causados por estes fatores nas culturas é igualmente essencial. O Ultralytics YOLO11 pode ajudar, fornecendo aos agricultores informações detalhadas sobre o impacto das pragas nas suas culturas através da segmentação de instâncias.

A segmentação de instâncias permite ao Ultralytics YOLO11 delinear exatamente as áreas das culturas que foram danificadas. Isto ajuda os agricultores a compreender toda a extensão do problema, quer se trate de pequenas manchas nas folhas causadas por doenças, quer de secções maiores da planta danificadas por pragas. Com estas informações, os agricultores podem avaliar melhor os danos e tomar decisões mais fundamentadas sobre como lidar com eles.

Benefícios da utilização de AI e do Ultralytics YOLO11 para a deteção de pragas#

A deteção e o controlo de pragas não consistem apenas em travar infestações; trata-se de adotar uma agricultura inteligente com ferramentas inovadoras como o Ultralytics YOLO11, que vão além dos métodos tradicionais.

Eis uma breve visão geral de alguns dos principais benefícios da utilização do Ultralytics YOLO11 para a deteção de pragas:

• Sustentabilidade: O controlo preciso de pragas minimiza o impacto ambiental ao evitar aplicações generalizadas de pesticidas.
• Informações sobre a saúde das culturas: Para além das pragas, o Ultralytics YOLO11 pode identificar sinais precoces de doenças das plantas, ajudando os agricultores a resolver os problemas de forma proativa.
• Implementação escalável: Quer se trate de uma pequena estufa ou de uma exploração agrícola extensa, o Ultralytics YOLO11 pode escalar para responder às necessidades de diferentes configurações agrícolas.
• Poupança de custos: Ao reduzir o desperdício, a mão de obra e o uso excessivo de pesticidas, o Ultralytics YOLO11 conduz a reduções significativas de custos a longo prazo.

Tal como qualquer tecnologia, as soluções de IA de visão e de visão computacional podem ter as suas próprias limitações, como lidar com fatores ambientais e depender de dados de alta qualidade. O lado positivo é que os nossos modelos, como o Ultralytics YOLO11, são constantemente revistos para proporcionar o melhor desempenho. Com atualizações e melhorias regulares, estão a tornar-se ainda mais fiáveis e adaptáveis para responder às exigências da agricultura moderna.

Colher os benefícios da agricultura inteligente#

Gerir pragas é um desafio, mas resolver os problemas numa fase inicial pode fazer toda a diferença. O Ultralytics YOLO11 ajuda os agricultores a identificar rapidamente as pragas e a determinar exatamente onde é necessária uma intervenção. Um pequeno problema com pragas pode agravar-se rapidamente, mas conhecer a localização exata das pragas permite aos agricultores agir com precisão e evitar o desperdício de recursos.

Em última análise, a AI e a agricultura inteligente estão a tornar a atividade agrícola mais eficiente e sustentável. Ferramentas como a visão computacional e o Ultralytics YOLO11 também podem ajudar os agricultores em tarefas como monitorizar a saúde das plantas e tomar melhores decisões com base em dados. Isto traduz-se em culturas mais saudáveis, menos desperdício e práticas agrícolas mais inteligentes, abrindo caminho para um futuro agrícola mais resiliente e produtivo.

Visita o nosso repositório no GitHub para aprenderes sobre AI e envolveres-te com a nossa comunidade. Vê como estamos a promover a inovação em setores como a AI na indústria e a visão computacional na área da saúde.