Как SOWIT использует Ultralytics YOLO для более эффективного сельского хозяйства

SOWIT объединяет агрономию, инженерию и разработку ПО, помогая фермам принимать более взвешенные решения на основе данных с полей. В одном из практических решений для оценки урожайности цитрусовых используется обнаружение объектов с помощью Ultralytics YOLO: оно анализирует изображения и заменяет медленный ручной процесс повторяемым рабочим процессом компьютерного зрения.

Этот проект показывает, как компьютерное зрение на базе ИИ может помогать сельскому хозяйству, если решение разрабатывается для конкретной производственной задачи: собирать репрезентативные изображения, стабильно обнаруживать плоды и преобразовывать результаты обнаружения в данные, которые фермеры могут использовать для планирования.

Задача: оценка урожайности в большом саду#

SOWIT работала с цитрусовым хозяйством между Марракешем и Имінтанутом в 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 урожайности основана на ручном подсчёте плодов на выбранных деревьях и экстраполяции результатов на весь сад. Такой подход может быть дорогим и трудоёмким, а результаты могут отличаться в зависимости от наблюдателя. Если оценка получена с опозданием или результаты непоследовательны, хозяйству сложнее вести переговоры с покупателями и подготовить ресурсы для сбора урожая.

SOWIT требовался метод, который работал бы на уже имевшемся у фермеров оборудовании, вписывался в полевые процессы и давал стабильные результаты без необходимости считать каждый плод вручную.

Почему SOWIT выбрала Ultralytics YOLO#

Изначальное решение SOWIT было создано 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, потому что системе нужно не просто определить, есть ли на изображении плоды. Она должна находить несколько плодов на одном изображении, чтобы их можно было посчитать. Благодаря эффективному инференсу можно обрабатывать большое количество снимков с полей без длительных задержек в рабочем процессе.

Модель — лишь часть более масштабной системы. Надёжность оценки урожайности также зависит от репрезентативности обучающих данных, единообразия съёмки, правильного выбора выборки и проверки в условиях сада. На результат могут влиять освещение, листва, перекрытие плодов, их размер, угол камеры и сорт культуры.

Как устроен рабочий процесс SOWIT#

SOWIT интегрировала модель в приложение SOYFIELD, предоставив фермерам пошаговый процесс сбора данных, необходимых для оценки урожайности.

1. Определи участок#

Пользователь выбирает участок фермы, отмечает его границы и записывает важные сведения, например тип культуры, количество деревьев и методы выращивания. Благодаря этому контексту каждое изображение связывается с нужной частью фермы.

2. Выбери репрезентативные деревья#

Приложение определяет, сколько деревьев нужно включить в выборку, чтобы достичь заданной погрешности. Структурированный план выборки помогает уменьшить смещение и упростить сопоставление результатов для разных участков и сезонов.

3. Сделай снимки#

Пользователь фотографирует каждое выбранное дерево спереди и сзади. Съёмка с обеих сторон улучшает охват, если листья, ветви или другие плоды закрывают части кроны.

4. Обнаружь и посчитай плоды#

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

5. Оцени урожайность#

Количество плодов на деревьях из выборки объединяется с данными об участке, чтобы оценить урожайность всего сада. Затем фермеры могут использовать полученные результаты для коммерческого и операционного планирования.

Юссеф Срити, технический директор хозяйства Mfruits, рассказал о практической пользе приложения: «Приложение SOWIT помогло нам быстро и с высокой точностью оценить урожайность, сэкономив при этом ресурсы, необходимые для работы в поле».

Практическая польза для фермерских хозяйств#

Компьютерное зрение не отменяет необходимости в агрономической экспертизе. Оно даёт специалистам более быстрый и стабильный инструмент для измерений.

• Более воспроизводимые оценки: единый процесс съёмки и выборки уменьшает различия между отдельными подсчётами.
• Меньше ручного подсчёта: команды могут тратить меньше времени на осмотр каждого дерева и больше — на использование полученных данных.
• Планирование заранее: своевременные оценки помогают планировать сбор урожая, найм персонала, транспортировку, хранение и продажи.
• Повторно используемый процесс работы с данными: изображения и результаты модели создают основу для оценки эффективности с течением времени и улучшения системы по мере изменения условий в поле.

Эти преимущества зависят от сохранения качества модели. Командам следует проверять точность на данных хозяйств, где будет работать система, анализировать ошибки и повторно обучать модель при изменении культур, сезонов, камер или условий работы.

От YOLOv5 к современным моделям Ultralytics YOLO#

Проект SOWIT был разработан на базе YOLOv5 — важной модели в истории развития семейства Ultralytics YOLO. Основной рабочий процесс остаётся актуальным: подготовить репрезентативный набор данных, обучить модель обнаружения объектов, проверить её в реальных условиях эксплуатации и встроить в приложение, решающее конкретную задачу пользователя.

Для новых проектов последней стабильной моделью и рекомендуемым вариантом для начала работы является Ultralytics YOLO26. Команды могут сравнить размеры моделей и форматы экспорта, чтобы подобрать оптимальный баланс точности, задержки и совместимости с оборудованием для развёртывания в полевых условиях, на периферийных устройствах или в облаке.

Управление жизненным циклом компьютерного зрения с Ultralytics Platform#

Ultralytics Platform предоставляет единое рабочее пространство для перехода от данных к готовому к эксплуатации проекту в области компьютерного зрения на базе ИИ. Команда, разрабатывающая приложение для сельского хозяйства, может использовать Platform, чтобы:

• Находить и упорядочивать наборы изображений.
• Размечай данные и ускоряй аннотирование с помощью автоматической разметки.
• Обучай модели Ultralytics YOLO в облаке или на локальной инфраструктуре.
• Проверять метрики моделей и сравнивать эксперименты.
• Развёртывать модели для инференса на поддерживаемых платформах.
• Отслеживать рабочие процессы в эксплуатации и продолжать улучшать модель с помощью новых полевых данных.

Этот жизненный цикл важен, потому что условия в сельском хозяйстве постоянно меняются. Модель, обученная на данных одного сада или сезона, позже может столкнуться с другими сортами, погодой, освещением, этапами роста растений или камерами. Если объединить управление наборами данных, экспериментами, развёртываниями и мониторингом, такие изменения будет проще контролировать.

Разработка практичных решений на базе компьютерного зрения для сельского хозяйства#

Самые эффективные проекты компьютерного зрения начинаются с определения практического решения, которое они должны улучшить. В случае SOWIT целью было не просто обнаружить плоды на изображении, а своевременно оценить урожайность, чтобы фермеры могли воспользоваться этой оценкой.

Командам, планирующим похожие системы, следует до масштабирования определить метод выборки, метрики успеха, среду инференса и процесс проверки человеком. Также нужно проводить испытания в реалистичных полевых условиях, в том числе при сложном освещении и частично закрытых плодах, и убедиться, что решение работает с доступными каналами связи и оборудованием.

Работа SOWIT показывает, как Ultralytics YOLO может преобразовывать полевые снимки в полезную сельскохозяйственную информацию. Современные модели YOLO и Ultralytics Platform, поддерживающая весь жизненный цикл компьютерного зрения, позволяют командам использовать этот подход для разработки удобных в сопровождении систем визуального ИИ для фермерских хозяйств и других реальных условий.

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