Como a SOWIT utiliza o Ultralytics YOLO para uma agricultura mais inteligente

A SOWIT reúne agronomia, engenharia e software para ajudar as explorações agrícolas a tomar melhores decisões com base em dados de campo. Uma das suas aplicações práticas utiliza a deteção de objetos do Ultralytics YOLO para estimar a produção de citrinos a partir de imagens, substituindo um processo manual lento por um fluxo de trabalho de visão computacional repetível.

O projeto mostra como a IA de visão pode apoiar a agricultura quando é concebida em torno de um problema operacional específico: recolher imagens representativas, detetar frutos de forma consistente e transformar essas deteções em informação que as equipas agrícolas possam utilizar no planeamento.

O desafio: estimar a produção num grande pomar#

A SOWIT trabalhou com uma exploração de citrinos entre Marraquexe e Imintanout, em Marrocos. Ao longo de aproximadamente 180 hectares, estimar o número de frutos nas árvores era essencial para o planeamento da colheita, a afetação de mão de obra, as vendas e a logística.

A estimativa tradicional da produção depende de pessoas que contam manualmente os frutos de árvores selecionadas e extrapolam os resultados para todo o pomar. Esta abordagem pode ser dispendiosa e demorada, e os resultados podem variar entre observadores. Quando as estimativas são tardias ou inconsistentes, as explorações dispõem de informações menos fiáveis 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 possuíam, que se integrasse nas operações de campo e que produzisse resultados consistentes sem exigir que cada fruto fosse contado manualmente.

Por que motivo a SOWIT selecionou o Ultralytics YOLO#

A SOWIT desenvolveu a solução original com o Ultralytics YOLOv5. Os modelos YOLO processam uma imagem numa única passagem de inferência e devolvem a localização e a classe de cada objeto detetado. Neste caso de utilização, os objetos são frutos individuais numa árvore.

A deteção de objetos é adequada ao problema porque o sistema tem de fazer mais do que decidir se existem frutos. Tem de localizar vários frutos na mesma imagem para que as deteções possam ser contabilizadas. A inferência eficiente também torna prático processar muitas imagens de campo sem introduzir um atraso significativo no fluxo de trabalho.

O modelo é apenas uma parte de um sistema mais abrangente. Uma estimativa fiável da produção depende também de dados de treino representativos, captura de imagens consistente, amostragem adequada e validação nas condições encontradas no pomar. A iluminação, a folhagem, a oclusão, o tamanho dos frutos, o ângulo da câmara e a variedade da cultura podem afetar o desempenho.

Como funciona o fluxo de trabalho da SOWIT#

A SOWIT integrou o modelo na sua aplicação SOYFIELD, proporcionando aos agricultores um processo orientado para recolher as informações necessárias para uma estimativa.

1. Definir a parcela#

O utilizador seleciona a parcela agrícola, mapeia os seus limites e regista informações relevantes, como o tipo de cultura, o número de árvores e as práticas de cultivo. Este contexto associa cada amostra de imagem à parte correta da exploração.

2. Selecionar árvores representativas#

A aplicação determina quantas árvores devem ser amostradas para cumprir a margem de erro pretendida. Um plano de amostragem estruturado ajuda a reduzir o enviesamento e torna os resultados mais comparáveis entre parcelas e épocas.

3. Capturar imagens#

O utilizador fotografa a parte da frente e a parte de trás de cada árvore selecionada. Captar ambos os lados melhora a cobertura quando as folhas, os ramos ou outros frutos ocultam partes da copa.

4. Detetar e contar frutos#

As imagens são enviadas para inferência. O modelo YOLO identifica frutos individuais e a aplicação converte essas deteções em contagens para as árvores selecionadas.

5. Estimar a produção#

As contagens da amostra são combinadas com as informações da parcela para estimar a produção em todo o pomar. As equipas agrícolas podem então utilizar o resultado para orientar o planeamento comercial e operacional.

Youssef Sridi, diretor técnico da exploração Mfruits, descreveu o valor prático da aplicação: “A utilização da aplicação da SOWIT ajudou-nos a estimar com precisão as nossas produções, atempadamente e com grande rigor, poupando simultaneamente recursos no campo.”

Valor operacional para as equipas agrícolas#

A visão computacional não elimina a necessidade de conhecimentos agronómicos. Dá a esses conhecimentos uma ferramenta de medição mais rápida e consistente.

• Estimativas mais repetíveis: Um fluxo de trabalho definido para a captura de imagens e a amostragem reduz a variação entre os diferentes responsáveis pela contagem.
• Menos contagem manual: As equipas podem passar menos tempo a inspecionar cada árvore e mais tempo a agir com base nas informações obtidas.
• Planeamento antecipado: Estimativas atempadas podem apoiar o agendamento da colheita, a afetação de pessoal, o transporte, o armazenamento e as conversações sobre vendas.
• Um processo de dados reutilizável: As imagens e os resultados do modelo criam uma base para avaliar o desempenho ao longo do tempo e melhorar o sistema à medida que as condições de campo mudam.

Estes benefícios dependem da manutenção da qualidade do modelo. As equipas devem avaliar a precisão com dados das explorações onde o sistema irá funcionar, analisar os casos de falha e voltar a treinar o modelo quando as culturas, as épocas, as câmaras ou as condições operacionais mudarem.

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 a ser relevante: preparar um conjunto de dados representativo, treinar um modelo de deteção de objetos, validá-lo em condições operacionais reais e implementá-lo numa aplicação que resolva um problema claro do utilizador.

Para novos projetos, o Ultralytics YOLO26 é o modelo estável mais recente e o ponto de partida recomendado. As equipas podem comparar tamanhos de modelos e formatos de exportação para escolher o equilíbrio entre precisão, latência e compatibilidade de hardware que melhor se adapta a uma implementação no campo, na periferia ou na cloud.

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

A Ultralytics Platform disponibiliza um único espaço de trabalho para levar um projeto de IA de visão dos dados à produção. Uma equipa que esteja a desenvolver uma aplicação agrícola pode utilizar a Platform para:

• Obter e organizar conjuntos de dados de imagens.
• Anotar dados e acelerar a etiquetagem com anotação automática.
• Treinar modelos Ultralytics YOLO na cloud ou numa infraestrutura local.
• Analisar as métricas do modelo e comparar experiências.
• Implementar modelos para inferência nos destinos suportados.
• Monitorizar fluxos de trabalho de produção e continuar a melhorar o modelo com novos dados de campo.

Este ciclo de vida é importante porque os ambientes agrícolas não são estáticos. Um modelo treinado num pomar ou numa época pode encontrar mais tarde variedades, condições meteorológicas, iluminação, fases de crescimento ou dispositivos de câmara diferentes. Manter os conjuntos de dados, as experiências, as implementações e a monitorização ligados facilita a gestão dessas alterações.

Desenvolver IA de visão prática para a agricultura#

Os projetos de visão computacional mais fortes começam pela decisão operacional que precisam de melhorar. No caso da SOWIT, o objetivo não era simplesmente detetar frutos numa imagem; era produzir uma estimativa atempada da produção que os agricultores pudessem utilizar.

As equipas que planeiam sistemas semelhantes devem definir o método de amostragem, as métricas de sucesso, o ambiente de inferência e o processo de revisão humana antes de expandir o projeto. Devem também testar em condições de campo realistas, incluindo iluminação difícil e frutos parcialmente ocultos, e confirmar que a implementação funciona com a conectividade e o hardware disponíveis.

O trabalho da SOWIT demonstra como o Ultralytics YOLO pode transformar imagens de campo em informação agrícola útil. Com os modelos YOLO modernos e a Ultralytics Platform a apoiar todo o ciclo de vida da visão computacional, as equipas podem seguir este padrão para desenvolver sistemas de IA de visão sustentáveis para explorações agrícolas e outros ambientes do mundo real.

Explora a Ultralytics Platform para começares a criar e gerir o teu próprio fluxo de trabalho de visão computacional.