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

SOWIT junta agronomia, engenharia e software para ajudar as fazendas a tomar melhores decisões a partir de dados de campo. Uma das suas aplicações práticas usa a detecção de objetos do Ultralytics YOLO para estimar safras de citros 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 desenhada em torno de um problema operacional específico: coletar imagens representativas, detectar frutos de forma consistente e transformar essas detecções em informações que as equipes agrícolas podem usar no planejamento.

O desafio: estimar a safra em um pomar grande#

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

A estimativa de safra tradicional depende de pessoas contando manualmente os frutos em árvores de amostra e extrapolando os resultados para todo o pomar. Essa abordagem pode ser custosa e demorada, e os resultados podem variar entre os observadores. Quando as estimativas chegam tarde ou são inconsistentes, as fazendas têm informações menos confiáveis para negociar com compradores e preparar os recursos necessários para a colheita.

A SOWIT precisava de um método que pudesse funcionar com os equipamentos que os agricultores já possuíam, integrar-se às operações de campo e produzir resultados consistentes sem exigir que cada fruto fosse contado à mão.

Por que a SOWIT escolheu o Ultralytics YOLO#

A SOWIT construiu a solução original com o YOLOv5. Os modelos YOLO processam uma imagem em uma única passada de inferência e retornam a localização e a classe de cada objeto detectado. Para este caso de uso, os objetos são unidades individuais de frutas em uma árvore.

A detecção de objetos adapta-se bem ao problema porque o sistema precisa fazer mais do que decidir se o fruto está presente. Ele deve localizar múltiplos frutos na mesma imagem para que as detecções possam ser contadas. A inferência eficiente também torna prático processar muitas imagens de campo sem introduzir um atraso prolongado no fluxo de trabalho.

O modelo é apenas uma parte de um sistema mais amplo. A estimativa confiável de safra também depende de dados de treinamento representativos, captura de imagem consistente, amostragem adequada e validação sob as condições encontradas no pomar. Iluminação, folhagem, oclusão, tamanho do fruto, ângulo da câmera e variedade da cultura podem afetar o desempenho.

Como funciona o fluxo de trabalho da SOWIT#

A SOWIT integrou o modelo em sua aplicação SOYFIELD, oferecendo aos agricultores um processo guiado para coletar as informações necessárias para uma estimativa.

1. Definir a parcela#

O usuário seleciona a parcela da fazenda, mapeia seus limites e registra informações relevantes, como tipo de cultura, contagem de árvores e práticas de cultivo. Esse contexto conecta cada amostra de imagem à parte correta da fazenda.

2. Selecionar árvores representativas#

A aplicação determina quantas árvores devem ser amostradas para atingir a margem de erro desejada. Um plano de amostragem estruturado ajuda a reduzir o viés e torna os resultados mais comparáveis entre parcelas e safras.

3. Capturar imagens#

O usuário fotografa a frente e o verso de cada árvore amostrada. Capturar ambos os lados melhora a cobertura onde folhas, galhos ou outros frutos obscurecem partes da copa.

4. Detectar e contar frutos#

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

5. Estimar a produtividade#

As contagens amostradas são combinadas com as informações da parcela para estimar a produtividade em todo o pomar. As equipes agrícolas podem então usar o resultado para embasar o planejamento comercial e operacional.

Youssef Sridi, diretor técnico da fazenda Mfruits, descreveu o valor prático da aplicação: “Usar a aplicação da SOWIT nos ajudou a estimar com precisão as nossas safras, em tempo hábil e com grande exatidão, além de economizar recursos de campo.”

Valor operacional para as equipes agrícolas#

A visão computacional não elimina a necessidade de expertise agronômica. Ela dá a essa expertise uma ferramenta de medição mais rápida e consistente.

• Estimativas mais repetíveis: Um fluxo de trabalho definido de imagem e amostragem reduz a variação entre contadores individuais.
• Menos contagem manual: As equipes podem gastar menos tempo inspecionando cada árvore e mais tempo agindo sobre as informações resultantes.
• Planejamento mais antecipado: Estimativas oportunas podem apoiar o agendamento de colheita, dimensionamento de equipes, transporte, armazenamento e discussões de vendas.
• Um processo de dados reutilizável: Imagens e resultados de modelos criam uma base para avaliar o desempenho ao longo do tempo e aprimorar o sistema à medida que as condições de campo mudam.

Esses benefícios dependem da manutenção da qualidade do modelo. As equipes devem avaliar a precisão em dados das fazendas onde o sistema irá operar, revisar casos de falha e retreinar quando culturas, estações, câmeras ou condições operacionais mudarem.

Do YOLOv5 aos atuais modelos Ultralytics YOLO#

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 relação a condições reais de operação e implantá-lo dentro de uma aplicação que resolve 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 de precisão, latência e compatibilidade de hardware que melhor se adapta a uma implantação em campo, de borda ou na nuvem.

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

A Ultralytics Platform fornece um único espaço de trabalho para levar um projeto de IA de visão dos dados à produção. Uma equipe que constrói uma aplicação agrícola pode usar a Platform para:

• Obter e organizar conjuntos de dados de imagens.
• Anotar dados e acelerar a rotulagem com anotação automática.
• Treinar modelos Ultralytics YOLO na nuvem ou em infraestrutura local.
• Revisar métricas do modelo e comparar experimentos.
• Implantar modelos para inferência em alvos suportados.
• Monitorar fluxos de trabalho de produção e continuar melhorando o modelo com novos dados de campo.

Esse ciclo de vida importa porque os ambientes agrícolas não são estáticos. Um modelo treinado em um pomar ou safra específica pode encontrar diferentes variedades, clima, iluminação, estágios de crescimento ou dispositivos de câmera mais tarde. Manter conjuntos de dados, experimentos, implantações e monitoramento conectados torna essas mudanças mais fáceis de gerenciar.

Construindo IA de visão prática para a agricultura#

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

Equipes que planejam sistemas semelhantes devem definir o método de amostragem, métricas de sucesso, ambiente de inferência e processo de revisão humana antes de escalar. Elas também devem testar sob condições reais de campo, incluindo iluminação difícil e frutas parcialmente ocluídas, e confirmar que a implantação funciona com a conectividade e o hardware disponíveis.

O trabalho da SOWIT demonstra como o Ultralytics YOLO pode traduzir 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 aproveitar esse padrão para desenvolver sistemas de IA de visão sustentáveis para fazendas e outros ambientes do mundo real.

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