SOWIT, Daha Akıllı Tarım için Ultralytics YOLO'yu Nasıl Kullanıyor?

SOWIT, çiftliklerin tarla verilerine dayanarak daha iyi kararlar almasına yardımcı olmak için ziraat bilimini, mühendisliği ve yazılımı bir araya getiriyor. Pratik uygulamalarından biri, görüntülerden turunçgil verimini tahmin etmek için Ultralytics YOLO nesne tespitini kullanıyor ve yavaş, manuel bir süreci tekrarlanabilir bir bilgisayarlı görü iş akışıyla değiştiriyor.

Proje, belirli bir operasyonel sorun etrafında tasarlandığında görsel yapay zekânın tarımı nasıl destekleyebileceğini gösteriyor: temsil gücü olan görüntüler toplamak, meyveleri tutarlı biçimde tespit etmek ve bu tespitleri çiftlik ekiplerinin planlama amacıyla kullanabileceği bilgilere dönüştürmek.

Zorluk: büyük bir meyve bahçesindeki verimi tahmin etmek#

SOWIT, Fas'ın Marakeş ile Imintanout arasındaki bir turunçgil çiftliğiyle çalıştı. Yaklaşık 180 hektarlık alanda ağaçlardaki meyve sayısını tahmin etmek; hasat planlaması, iş gücü tahsisi, satış ve lojistik açısından önemliydi.

Geleneksel verim tahmini, örneklenen ağaçlardaki meyvelerin insanlar tarafından elle sayılmasına ve sonuçların meyve bahçesinin geneline uyarlanmasına dayanır. Bu yaklaşım maliyetli ve zaman alıcı olabilir; sonuçlar gözlemciler arasında farklılık gösterebilir. Tahminler geciktiğinde veya tutarsız olduğunda çiftlikler, alıcılarla pazarlık yapmak ve hasat için gereken kaynakları hazırlamak konusunda daha az güvenilir bilgiye sahip olur.

SOWIT'in ihtiyacı; çiftçilerin hâlihazırda sahip olduğu ekipmanlarla çalışabilecek, tarla operasyonlarına uyum sağlayabilecek ve her meyvenin elle sayılmasını gerektirmeden tutarlı sonuçlar üretebilecek bir yöntemdi.

SOWIT neden Ultralytics YOLO'yu seçti#

SOWIT, ilk çözümünü Ultralytics YOLOv5 ile geliştirdi. YOLO modelleri, bir görüntüyü tek bir çıkarım geçişinde işleyerek tespit edilen her nesnenin konumunu ve sınıfını döndürür. Bu kullanım senaryosunda nesneler, ağaç üzerindeki tek tek meyvelerdir.

Nesne tespiti bu sorun için uygundur; çünkü sistemin yalnızca meyve olup olmadığına karar vermesi yetmez. Tespitlerin sayılabilmesi için aynı görüntüdeki birden fazla meyvenin konumunu belirlemesi gerekir. Verimli çıkarım, iş akışında uzun gecikmelere yol açmadan çok sayıda tarla görüntüsünü işlemeyi de mümkün kılar.

Model, daha kapsamlı bir sistemin yalnızca bir parçasıdır. Güvenilir verim tahmini aynı zamanda temsil gücü olan eğitim verilerine, tutarlı görüntü yakalamaya, uygun örneklemeye ve meyve bahçesindeki koşullarda doğrulamaya bağlıdır. Aydınlatma, yaprak örtüsü, kapanma, meyve boyutu, kamera açısı ve ürün çeşidi performansı etkileyebilir.

SOWIT iş akışı nasıl çalışıyor#

SOWIT, modeli SOYFIELD uygulamasına entegre ederek çiftçilere tahmin için gereken bilgileri toplamaya yönelik adım adım bir süreç sundu.

1. Parseli tanımla#

Kullanıcı çiftlik parselini seçer, sınırlarını haritalandırır ve ürün türü, ağaç sayısı ve yetiştirme uygulamaları gibi ilgili bilgileri kaydeder. Bu bağlam, her görüntü örneğini çiftliğin doğru bölümüyle ilişkilendirir.

2. Temsil gücü olan ağaçları seç#

Uygulama, hedef hata payını karşılamak için kaç ağacın örneklenmesi gerektiğini belirler. Yapılandırılmış bir örnekleme planı, yanlılığı azaltmaya ve parseller ile sezonlar arasındaki sonuçların daha kolay karşılaştırılmasına yardımcı olur.

3. Görüntü yakala#

Kullanıcı örneklenen her ağacın ön ve arka tarafının fotoğrafını çeker. Her iki tarafı da görüntülemek, yaprakların, dalların veya diğer meyvelerin taç örtüsünün bazı kısımlarını kapattığı durumlarda kapsama alanını artırır.

4. Meyveleri tespit et ve say#

Görüntüler çıkarım için gönderilir. YOLO modeli tek tek meyveleri belirler ve uygulama bu tespitleri örneklenen ağaçların sayım sonuçlarına dönüştürür.

5. Verimi tahmin et#

Örneklenen ağaçların sayım sonuçları, meyve bahçesinin genelindeki verimi tahmin etmek için parsel bilgileriyle birleştirilir. Çiftlik ekipleri daha sonra ticari ve operasyonel planlamaya yön vermek için bu sonuçtan yararlanabilir.

Mfruits çiftliğinin teknik direktörü Youssef Sridi, uygulamanın pratik değerini şöyle anlattı: “SOWIT uygulamasını kullanmak, saha kaynaklarından tasarruf ederken verimimizi zamanında ve yüksek hassasiyetle doğru biçimde tahmin etmemize yardımcı oldu.”

Çiftlik ekipleri için operasyonel değer#

Bilgisayarlı görü, ziraat uzmanlığına duyulan ihtiyacı ortadan kaldırmaz. Bu uzmanlığa daha hızlı ve tutarlı bir ölçüm aracı kazandırır.

• Daha tekrarlanabilir tahminler: Belirlenmiş bir görüntüleme ve örnekleme iş akışı, farklı sayım yapan kişiler arasındaki değişkenliği azaltır.
• Daha az manuel sayım: Ekipler her ağacı incelemeye daha az zaman ayırıp elde edilen bilgiler doğrultusunda harekete geçmeye daha fazla zaman ayırabilir.
• Daha erken planlama: Zamanında elde edilen tahminler; hasat planlamasını, personel ihtiyacını, taşımayı, depolamayı ve satış görüşmelerini destekleyebilir.
• Yeniden kullanılabilir bir veri süreci: Görüntüler ve model sonuçları, zaman içindeki performansı değerlendirmek ve tarla koşulları değiştikçe sistemi iyileştirmek için bir temel oluşturur.

Bu faydalar, model kalitesinin korunmasına bağlıdır. Ekipler, sistemin kullanılacağı çiftliklerden gelen veriler üzerinde doğruluğu değerlendirmeli, başarısızlık örneklerini incelemeli ve ürünler, sezonlar, kameralar veya çalışma koşulları değiştiğinde modeli yeniden eğitmelidir.

YOLOv5'ten günümüzün Ultralytics YOLO modellerine#

SOWIT'in projesi, Ultralytics YOLO ailesinin gelişiminde önemli bir model olan YOLOv5 ile geliştirildi. Temel iş akışı hâlâ geçerliliğini koruyor: temsil gücü olan bir veri kümesi hazırlamak, nesne tespit modeli eğitmek, gerçek çalışma koşullarında doğrulamak ve belirli bir kullanıcı sorununu çözen bir uygulamada kullanıma sunmak.

Yeni projeler için Ultralytics YOLO26 en güncel kararlı modeldir ve başlangıç için önerilir. Ekipler, bir saha, uç veya bulut dağıtımına en uygun doğruluk, gecikme ve donanım uyumluluğu dengesini belirlemek için model boyutlarını ve dışa aktarma biçimlerini karşılaştırabilir.

Bilgisayarlı görü yaşam döngüsünü Ultralytics Platform ile yönetme#

Ultralytics Platform, görsel yapay zekâ projesini veriden üretime taşıyan tek bir çalışma alanı sunar. Tarımsal bir uygulama geliştiren ekip, Platform'u şu amaçlarla kullanabilir:

• Görüntü veri kümelerini edin ve düzenle.
• Otomatik etiketlemeyle verileri etiketle ve etiketleme sürecini hızlandır.
• Ultralytics YOLO modellerini bulutta veya yerel altyapıda eğit.
• Model ölçümlerini incele ve deneyleri karşılaştır.
• Modelleri desteklenen hedeflerde çıkarım için dağıtıma al.
• Üretim iş akışlarını izle ve yeni tarla verileriyle modeli geliştirmeye devam et.

Bu yaşam döngüsü önemlidir; çünkü tarımsal ortamlar sabit değildir. Bir meyve bahçesinde veya sezonda eğitilen model daha sonra farklı çeşitlerle, hava koşullarıyla, aydınlatmayla, büyüme evreleriyle ya da kamera cihazlarıyla karşılaşabilir. Veri kümelerini, deneyleri, dağıtımları ve izlemeyi birbirine bağlı tutmak bu değişikliklerin yönetimini kolaylaştırır.

Tarım için işlevsel görsel yapay zekâ geliştirme#

En başarılı bilgisayarlı görü projeleri, iyileştirmeyi hedefledikleri operasyonel kararla başlar. SOWIT'in durumunda amaç yalnızca bir görüntüdeki meyveleri tespit etmek değil, çiftçilerin kullanabileceği zamanında bir verim tahmini sunmaktı.

Benzer sistemler planlayan ekipler, ölçeği büyütmeden önce örnekleme yöntemini, başarı ölçütlerini, çıkarım ortamını ve insan denetimi sürecini tanımlamalıdır. Ayrıca zorlu ışık koşulları ve kısmen örtülmüş meyveler dâhil olmak üzere gerçekçi saha koşullarında test yapmalı ve dağıtımın mevcut bağlantı ve donanımla çalıştığını doğrulamalıdır.

SOWIT'in çalışması, Ultralytics YOLO'nun saha görüntülerini yararlı tarımsal bilgilere nasıl dönüştürebileceğini gösteriyor. Modern YOLO modelleri ve bilgisayarlı görü yaşam döngüsünün tamamını destekleyen Ultralytics Platform sayesinde ekipler, bu yaklaşımı temel alarak çiftlikler ve diğer gerçek dünya ortamları için sürdürülebilir görsel yapay zekâ sistemleri geliştirebilir.

Kendi bilgisayarlı görü iş akışını oluşturmaya ve yönetmeye başlamak için Ultralytics Platform'u keşfet.