Como a SOWIT usa Ultralytics YOLO para uma agricultura mais inteligente

A SOWIT reúne agronomia, engenharia e software para ajudar as fazendas a tomar decisões melhores com base em dados de campo. Uma de suas aplicações práticas usa a detecção de objetos do Ultralytics YOLO para estimar a produção de frutas cítricas a partir de imagens, substituindo um processo manual lento por um fluxo de trabalho de visão computacional reproduzível.

O projeto mostra como a IA de visão pode apoiar a agricultura quando é desenvolvida em torno de um problema operacional específico: coletar imagens representativas, detectar frutas de forma consistente e transformar essas detecções em informações que as equipes agrícolas possam usar no planejamento.

O desafio: estimar a produção em um grande pomar#

A SOWIT trabalhou com uma fazenda de cítricos entre Marrakech e Imintanout, no Marrocos. Em aproximadamente 180 hectares, estimar a quantidade de frutas nas árvores era essencial para o planejamento da colheita, a alocação de mão de obra, as vendas e a logística.

A estimativa tradicional da produção depende de pessoas contando manualmente as frutas em árvores selecionadas e extrapolando os resultados para todo o pomar. Essa abordagem pode ser cara e demorada, e os resultados podem variar entre observadores. Quando as estimativas são tardias ou inconsistentes, as fazendas dispõem de informações menos confiáveis para negociar com compradores e preparar os recursos necessários para a colheita.

A SOWIT precisava de um método que funcionasse com equipamentos que os agricultores já tinham, se integrasse às operações em campo e produzisse resultados consistentes sem exigir a contagem manual de cada fruta.

Por que a SOWIT escolheu o Ultralytics YOLO#

A SOWIT criou a solução original com o Ultralytics YOLOv5. Os modelos YOLO processam uma imagem em uma única passagem de inferência e retornam a localização e a classe de cada objeto detectado. Neste caso de uso, os objetos são frutos individuais em uma árvore.

A detecção de objetos é adequada para esse problema porque o sistema precisa fazer mais do que decidir se há frutas presentes. Ele precisa localizar várias frutas na mesma imagem para que possam ser contadas. A inferência eficiente também permite processar muitas imagens de campo sem causar longos atrasos no fluxo de trabalho.

O modelo é apenas parte de um sistema mais amplo. Uma estimativa confiável da produção também depende de dados de treinamento representativos, captura consistente de imagens, amostragem adequada e validação nas condições encontradas no pomar. Iluminação, folhagem, oclusão, tamanho das frutas, ângulo da câmera e variedade da cultura podem afetar o desempenho.

Como funciona o fluxo de trabalho da SOWIT#

A SOWIT integrou o modelo ao aplicativo SOYFIELD, oferecendo aos agricultores um processo guiado para coletar as informações necessárias à estimativa.

1. Defina o talhão#

O usuário seleciona o talhão da fazenda, mapeia seus limites e registra informações relevantes, como o tipo de cultura, a quantidade de árvores e as práticas de cultivo. Esse contexto associa cada amostra de imagem à parte correta da fazenda.

2. Selecione árvores representativas#

O aplicativo determina quantas árvores devem ser amostradas para atingir a margem de erro desejada. Um plano de amostragem estruturado ajuda a reduzir vieses e torna os resultados mais comparáveis entre talhões e safras.

3. Capture imagens#

O usuário fotografa a frente e o verso de cada árvore amostrada. Capturar os dois lados melhora a cobertura quando folhas, galhos ou outras frutas ocultam partes da copa.

4. Detecte e conte as frutas#

As imagens são enviadas para inferência. O modelo YOLO identifica frutas individuais, e o aplicativo converte essas detecções em contagens para as árvores amostradas.

5. Estime a produção#

As contagens da amostra são combinadas com as informações do talhão para estimar a produção em todo o pomar. As equipes agrícolas podem então usar o resultado para orientar o planejamento comercial e operacional.

Youssef Sridi, diretor técnico da fazenda Mfruits, descreveu o valor prático do aplicativo: “O uso do aplicativo da SOWIT nos ajudou a estimar nossa produção com precisão e pontualidade, além de economizar recursos em campo.”

Valor operacional para as equipes agrícolas#

A visão computacional não elimina a necessidade de conhecimento agronômico. Ela oferece a esse conhecimento uma ferramenta de medição mais rápida e consistente.

• Estimativas mais reproduzíveis: um fluxo de trabalho definido para imagens e amostragem reduz a variação entre diferentes contadores.
• Menos contagem manual: as equipes podem passar menos tempo inspecionando cada árvore e mais tempo agindo com base nas informações obtidas.
• Planejamento antecipado: estimativas oportunas podem apoiar o planejamento da colheita, da equipe, do transporte, do armazenamento e das vendas.
• Um processo de dados reutilizável: imagens e resultados do modelo criam uma base para avaliar o desempenho ao longo do tempo e aprimorar o sistema à medida que as condições em campo mudam.

Esses benefícios dependem da manutenção da qualidade do modelo. As equipes devem avaliar a precisão com dados das fazendas onde o sistema será usado, analisar casos de falha e retreinar o modelo quando mudarem as culturas, as safras, as câmeras ou as condições operacionais.

Do YOLOv5 aos modelos Ultralytics YOLO atuais#

O projeto da SOWIT foi desenvolvido com o YOLOv5, um modelo importante na evolução da família Ultralytics YOLO. O fluxo de trabalho subjacente continua relevante: preparar um conjunto de dados representativo, treinar um modelo de detecção de objetos, validá-lo em condições operacionais reais e implantá-lo em um aplicativo que resolva um problema claro do usuário.

Para novos projetos, o Ultralytics YOLO26 é o modelo estável mais recente e o ponto de partida recomendado. As equipes podem comparar tamanhos de modelo e formatos de exportação para escolher o equilíbrio entre precisão, latência e compatibilidade de hardware mais adequado a uma implantação em campo, na borda ou na nuvem.

Gerenciando o ciclo de vida da visão computacional com a Ultralytics Platform#

A Ultralytics Platform oferece um único espaço de trabalho para levar um projeto de IA de visão dos dados à produção. Uma equipe que desenvolve um aplicativo agrícola pode usar a Platform para:

• Obter e organizar conjuntos de dados de imagens.
• Anote dados e acelere a rotulagem com a anotação automática.
• Treine modelos Ultralytics YOLO na nuvem ou em uma infraestrutura local.
• Analisar métricas do modelo e comparar experimentos.
• Implantar modelos para inferência nos ambientes compatíveis.
• Monitorar fluxos de trabalho em produção e continuar aprimorando o modelo com novos dados de campo.

Esse ciclo de vida é importante porque os ambientes agrícolas não são estáticos. Um modelo treinado em um pomar ou safra pode encontrar depois variedades, condições climáticas, iluminação, estágios de crescimento ou dispositivos de câmera diferentes. Manter conjuntos de dados, experimentos, implantações e monitoramento conectados facilita o gerenciamento dessas mudanças.

Desenvolvendo IA de visão prática para a agricultura#

Os projetos de visão computacional mais sólidos começam pela decisão operacional que precisam aprimorar. No caso da SOWIT, o objetivo não era simplesmente detectar frutos em uma imagem; era produzir uma estimativa de rendimento em tempo hábil que os agricultores pudessem usar.

As equipes que planejam sistemas semelhantes devem definir o método de amostragem, as métricas de sucesso, o ambiente de inferência e o processo de revisão humana antes de escalar. Também devem testar em condições de campo realistas, incluindo iluminação difícil e frutos parcialmente ocluídos, e confirmar que a implantação funciona com a conectividade e o hardware disponíveis.

O trabalho da SOWIT demonstra como o Ultralytics YOLO pode transformar imagens de campo em informações agrícolas úteis. Com modelos YOLO modernos e a Ultralytics Platform dando suporte a todo o ciclo de vida da visão computacional, as equipes podem se basear nesse exemplo para desenvolver sistemas de IA visual fáceis de manter para fazendas e outros ambientes do mundo real.

Explore a Ultralytics Platform para começar a criar e gerenciar seu próprio fluxo de trabalho de visão computacional.