Как SOWIT использует Ultralytics YOLO для умного земледелия

SOWIT объединяет агрономию, инженерное дело и программное обеспечение, чтобы помочь фермам принимать более обоснованные решения на основе полевых данных. Одно из практических применений использует обнаружение объектов Ultralytics YOLO для оценки урожайности цитрусовых по изображениям, заменяя медленный ручной процесс воспроизводимым рабочим процессом компьютерного зрения.

Этот проект показывает, как ИИ компьютерного зрения может поддержать сельское хозяйство, когда он разработан с учетом конкретной операционной задачи: собрать репрезентативные изображения, стабильно обнаруживать плоды и превратить эти обнаружения в информацию, которую фермерские команды могут использовать для планирования.

Задача: оценка урожая на большой плантации#

SOWIT работала с цитрусовой фермой между Марракешем и Иминтанутом в Мароко. 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 зависит от ручного подсчета плодов людьми на выбранных деревьях и экстраполяции результатов на всю плантацию. Такой подход может быть дорогостоящим и трудоемким, а результаты могут различаться у разных наблюдателей. Когда оценки запаздывают или противоречивы, у ферм остается меньше надежной информации для переговоров с покупателями и подготовки ресурсов, необходимых для сбора урожая.

SOWIT нуждалась в методе, который мог бы работать с уже имеющимся у фермеров оборудованием, вписываться в полевые операции и давать стабильные результаты без необходимости подсчитывать каждый плод вручную.

Почему SOWIT выбрала Ultralytics YOLO#

SOWIT создала первоначальное решение с помощью YOLOv5. Модели YOLO обрабатывают изображение за один проход инференса и возвращают местоположение и класс каждого обнаруженного объекта. Для этого варианта использования объектами являются отдельные плоды на дереве.

Обнаружение объектов хорошо подходит для этой задачи, потому что системе нужно не просто определить присутствие плода. Она должна определить местоположение нескольких плодов на одном изображении, чтобы результаты можно было подсчитать. Эффективный инференс также делает практичной обработку множества полевых изображений без внесения задержек в рабочий процесс.

Модель — это лишь часть более широкой системы. Надежная оценка урожая также зависит от репрезентативных обучающих данных, стабильной съемки изображений, подходящей выборки и валидации в условиях, встречающихся в саду. Освещение, листва, перекрытие, размер плодов, угол камеры и сорт культуры могут влиять на производительность.

Как работает рабочий процесс SOWIT#

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

1. Определи участок#

Пользователь выбирает фермерский участок, размечает его границы и записывает соответствующую информацию, такую как тип культуры, количество деревьев и методы выращивания. Этот контекст связывает каждый образец изображения с правильной частью фермы.

2. Выбери репрезентативные деревья#

Приложение определяет, сколько деревьев нужно отобрать для выборки, чтобы соответствовать целевой погрешности. Структурированный план выборки помогает снизить предвзятость и делает результаты более сопоставимыми между участками и сезонами.

3. Сделай изображения#

Пользователь фотографирует переднюю и заднюю часть каждого выбранного дерева. Съемка с обеих сторон улучшает охват там, где листья, ветви или другие плоды скрывают части кроны.

4. Обнаруживай и подсчитывай плоды#

Изображения отправляются на инференс. Модель YOLO определяет отдельные плоды, а приложение преобразует эти обнаружения в количество для выбранных деревьев.

5. Оцени урожай#

Выборочные подсчеты объединяются с информацией об участке для оценки урожая на всей плантации. Фермерские команды могут затем использовать этот результат для коммерческого и оперативного планирования.

Юссеф Сриди, технический директор фермы Mfruits, описал практическую ценность приложения: «Использование приложения SOWIT помогло нам точно оценить урожай в своевременные сроки с высокой точностью и при этом сэкономить полевые ресурсы».

Операционная ценность для фермерских команд#

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

• Более воспроизводимые оценки: Определенный рабочий процесс съемки и выборки уменьшает разброс между отдельными учетчиками.
• Меньше ручного подсчета: Команды могут тратить меньше времени на осмотр каждого дерева и больше времени на действия на основе полученной информации.
• Более раннее планирование: Своевременные оценки могут поддержать составление графика сбора урожая, подбор персонала, транспортировку, хранение и обсуждение продаж.
• Повторно используемый процесс работы с данными: Изображения и результаты модели создают основу для оценки производительности 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, просматривать случаи сбоев и проводить дообучение при изменении культур, сезонов, камер или условий работы.

От YOLOv5 до современных моделей Ultralytics YOLO#

Проект SOWIT был разработан с помощью YOLOv5, важной модели в эволюции семейства Ultralytics YOLO. Базовый рабочий процесс остается актуальным: подготовь репрезентативный набор данных, обучи модель обнаружения объектов, проверь её на соответствие реальным условиям эксплуатации и разверни внутри приложения, которое решает конкретную проблему пользователя.

Для новых проектов Ultralytics YOLO26 является новейшей стабильной моделью и рекомендуемой отправной точкой. Команды могут сравнивать размеры моделей и форматы экспорта, чтобы выбрать баланс точности, задержки и аппаратной совместимости, который лучше всего подходит для развертывания на поле, периферийных устройствах или в облаке.

Управление жизненным циклом компьютерного зрения с помощью Ultralytics Platform#

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

• Находить и организовывать наборы данных изображений.
• Размечать данные и ускорять маркировку с помощью авторазметки.
• Обучать модели Ultralytics YOLO в облаке или на локальной инфраструктуре.
• Просматривать метрики моделей и сравнивать эксперименты.
• Развертывать модели для инференса на поддерживаемых целях.
• Мониторить рабочие процессы продакшена и продолжать улучшать модель с новыми полевыми данными.

Этот жизненный цикл важен, потому что сельскохозяйственные среды нестатичны. Модель, обученная на одном саду или сезоне, позже может столкнуться с другими сортами, погодой, освещением, стадиями роста или устройствами камер. Сохранение связи между наборами данных, экспериментами, развертываниями и мониторингом упрощает управление этими изменениями.

Создание практичного ИИ компьютерного зрения для сельского хозяйства#

Самые сильные проекты компьютерного зрения начинаются с операционного решения, которое им нужно улучшить. В случае SOWIT целью было не просто обнаружить плоды на изображении; целью было получить своевременную оценку урожая, которую фермеры могли бы использовать.

Командам, планирующим подобные системы, следует определить метод выборки, метрики успеха, среду инференса и процесс проверки человеком перед масштабированием. Им также следует протестировать систему в реалистичных полевых условиях, включая сложное освещение и частично скрытые плоды, и подтвердить, что развертывание работает с доступной связью и оборудованием.

Работа SOWIT демонстрирует, как Ultralytics YOLO может переводить полевые изображения в полезную сельскохозяйственную информацию. С современными моделями YOLO и Ultralytics Platform, поддерживающими полный жизненный цикл компьютерного зрения, команды могут опираться на этот шаблон для разработки поддерживаемых систем ИИ компьютерного зрения для ферм и других реальных сред.

Изучи Ultralytics Platform, чтобы начать создание и управление собственным рабочим процессом компьютерного зрения.