Как SOWIT использует Ultralytics YOLO для более эффективного сельского хозяйства

SOWIT объединяет агрономию, инженерные разработки и программное обеспечение, помогая фермам принимать более обоснованные решения на основе данных с полей. Одно из практических применений использует обнаружение объектов с помощью Ultralytics YOLO, чтобы оценивать урожай цитрусовых по изображениям и заменять медленный ручной процесс воспроизводимым рабочим процессом компьютерного зрения.

Этот проект показывает, как vision AI может помогать сельскому хозяйству, если его разработать для решения конкретной операционной задачи: собирать репрезентативные изображения, стабильно обнаруживать плоды и преобразовывать результаты обнаружения в информацию, которую команды фермы могут использовать для планирования.

Проблема: оценка урожая в большом саду#

SOWIT сотрудничала с цитрусовой фермой между Марракешем и Имтинуаном, Марокко. На площади около 180 гектаров оценка количества плодов на деревьях была необходима для планирования сбора урожая, распределения рабочей силы, продаж и логистики.

Традиционная оценка урожая предполагает, что люди вручную подсчитывают плоды на выбранных деревьях, а затем экстраполируют результаты на весь сад. Такой подход может быть затратным и требовать много времени, а результаты могут различаться у разных наблюдателей. Когда оценки поступают с опозданием или оказываются непоследовательными, у фермерских хозяйств остается меньше надежной информации для переговоров с покупателями и подготовки ресурсов, необходимых для сбора урожая.

SOWIT требовался метод, который мог бы работать с оборудованием, уже имеющимся у фермеров, вписываться в полевые операции и выдавать стабильные результаты без необходимости вручную пересчитывать каждый плод.

Почему SOWIT выбрала Ultralytics YOLO#

SOWIT разработала исходное решение с помощью Ultralytics YOLOv5. Модели YOLO обрабатывают изображение за один проход инференса и возвращают местоположение и класс каждого обнаруженного объекта. В этом случае объектами являются отдельные плоды на дереве.

Обнаружение объектов хорошо подходит для этой задачи, поскольку системе нужно не просто определить наличие плодов. Она должна находить несколько плодов на одном изображении, чтобы результаты обнаружения можно было подсчитать. Эффективный инференс также позволяет обрабатывать множество полевых изображений без существенной задержки в рабочем процессе.

Модель — лишь одна часть более широкой системы. Надежная оценка урожая также зависит от репрезентативных обучающих данных, единообразной съемки, корректной выборки и проверки в условиях, характерных для сада. На производительность могут влиять освещение, листва, частичная видимость, размер плодов, угол съемки и сорт культуры.

Как работает рабочий процесс SOWIT#

SOWIT интегрировала модель в приложение SOYFIELD, предоставив фермерам пошаговый процесс сбора информации, необходимой для оценки.

1. Определить участок#

Пользователь выбирает участок фермы, обозначает его границы и записывает важную информацию, например тип культуры, количество деревьев и методы выращивания. Этот контекст связывает каждый образец изображения с нужной частью фермы.

2. Выбрать репрезентативные деревья#

Приложение определяет, сколько деревьев нужно включить в выборку, чтобы достичь заданной погрешности. Структурированный план выборки помогает снизить смещение и сделать результаты более сопоставимыми между участками и сезонами.

3. Сделать снимки#

Пользователь фотографирует переднюю и заднюю стороны каждого выбранного дерева. Съемка с обеих сторон улучшает охват участков кроны, где листья, ветви или другие плоды закрывают часть изображения.

4. Обнаружить и подсчитать плоды#

Изображения отправляются на инференс. Модель YOLO распознает отдельные плоды, а приложение преобразует эти результаты обнаружения в количество плодов на выбранных деревьях.

5. Оценить урожай#

Полученные в выборке данные объединяются с информацией об участке, чтобы оценить урожай во всем саду. Затем команды фермы могут использовать результат для коммерческого и операционного планирования.

Юсеф Сриди, технический директор фермы Mfruits, рассказал о практической ценности приложения: «Приложение SOWIT помогло нам точно и своевременно оценивать урожай с высокой точностью, одновременно экономя ресурсы в поле».

Практическая ценность для команд фермы#

Компьютерное зрение не отменяет необходимость в агрономической экспертизе. Оно предоставляет этой экспертизе более быстрый и стабильный инструмент измерения.

• Более воспроизводимые оценки: Определенный процесс съемки и выборки снижает различия между отдельными подсчетами.
• Меньше ручного подсчета: Команды могут тратить меньше времени на осмотр каждого дерева и больше — на работу с полученной информацией.
• Более раннее планирование: Своевременные оценки помогают планировать сбор урожая, штат сотрудников, транспортировку, хранение и переговоры о продажах.
• Повторно используемый процесс работы с данными: Изображения и результаты работы модели создают основу для оценки эффективности с течением времени и улучшения системы по мере изменения полевых условий.

Эти преимущества зависят от поддержания качества модели. Командам следует оценивать точность на данных с тех ферм, где будет работать система, анализировать случаи ошибок и выполнять дообучение при изменении культур, сезонов, камер или условий эксплуатации.

От YOLOv5 к современным моделям Ultralytics YOLO#

Проект SOWIT был разработан с использованием YOLOv5 — важной модели в развитии семейства Ultralytics YOLO. Основной рабочий процесс остается актуальным: подготовить репрезентативный датасет, обучить модель обнаружения объектов, проверить ее в реальных рабочих условиях и развернуть внутри приложения, решающего четко определенную пользовательскую задачу.

Для новых проектов Ultralytics YOLO26 — последняя стабильная модель и рекомендуемая отправная точка. Команды могут сравнить размеры моделей и форматы экспорта, чтобы выбрать оптимальный баланс точности, задержки и совместимости с оборудованием для развертывания в поле, на периферийном устройстве или в облаке.

Управление жизненным циклом компьютерного зрения с помощью Ultralytics Platform#

Ultralytics Platform предоставляет единое рабочее пространство для перевода проекта vision AI от данных к продакшену. Команда, создающая сельскохозяйственное приложение, может использовать Platform, чтобы:

• Находить и организовывать датасеты изображений.
• Аннотировать данные и ускорять разметку с помощью автоаннотации.
• Обучать модели Ultralytics YOLO в облаке или на локальной инфраструктуре.
• Проверять метрики моделей и сравнивать эксперименты.
• Развертывать модели для инференса на поддерживаемых целевых платформах.
• Отслеживать рабочие процессы в продакшене и продолжать улучшать модель с помощью новых полевых данных.

Это особенно важно, поскольку сельскохозяйственная среда не остается неизменной. Модель, обученная на одном саду или в одном сезоне, позже может столкнуться с другими сортами, погодными условиями, освещением, стадиями роста или камерами. Связь между датасетами, экспериментами, развертываниями и мониторингом упрощает управление такими изменениями.

Создание практичных решений vision AI для сельского хозяйства#

Лучшие проекты компьютерного зрения начинаются с операционного решения, которое они должны улучшить. В случае SOWIT целью было не просто обнаруживать плоды на изображении, а своевременно оценивать урожай, чтобы фермеры могли использовать эту информацию.

Командам, планирующим похожие системы, следует заранее определить метод выборки, метрики успеха, среду инференса и процесс проверки человеком, прежде чем масштабировать решение. Также следует тестировать систему в реалистичных полевых условиях, включая сложное освещение и частично закрытые плоды, и убедиться, что развертывание работает с доступными подключением и оборудованием.

Работа SOWIT демонстрирует, как Ultralytics YOLO может преобразовывать изображения с полей в полезную сельскохозяйственную информацию. Современные модели YOLO и Ultralytics Platform, поддерживающие полный жизненный цикл компьютерного зрения, позволяют командам развивать этот подход и создавать удобные в сопровождении системы vision AI для ферм и других реальных условий.

Изучи Ultralytics Platform, чтобы начать создавать собственный рабочий процесс компьютерного зрения и управлять им.