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

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

Bu proje, görü yapay zekâsının belirli bir operasyonel sorun etrafında tasarlandığında tarımı nasıl destekleyebileceğini gösteriyor: temsili görüntüler toplamak, meyveleri tutarlı şekilde tespit etmek ve bu tespitleri çiftlik ekiplerinin planlama için kullanabileceği bilgilere dönüştürmek.

Zorluk: geniş bir meyve bahçesinde verimi tahmin etmek#

SOWIT, Fas'ta Marakeş ile Imintanout arasındaki bir turunçgil çiftliğiyle çalıştı. Yaklaşık 180 hektarlık alanda, ağaçlardaki meyve sayısını tahmin etmek hasat planlaması, iş gücü dağılımı, satış ve lojistik için kritik öneme sahipti.

Geleneksel verim tahmini, insanların örneklenen ağaçlardaki meyveleri manuel olarak saymasına ve sonuçları tüm meyve bahçesine genellemesine dayanır. Bu yaklaşım maliyetli ve zaman alıcı olabilir; ayrıca sonuçlar gözlemciler arasında değişebilir. Tahminler geç kaldığında veya tutarsız olduğunda çiftliklerin alıcılarla müzakere etmek ve hasat için gereken kaynakları hazırlamak üzere kullanabileceği bilgiler daha az güvenilir olur.

SOWIT'in, çiftçilerin hâlihazırda sahip olduğu ekipmanlarla çalışabilecek, tarla operasyonlarına uyum sağlayacak ve her meyvenin elle sayılmasını gerektirmeden tutarlı sonuçlar üretecek bir yönteme ihtiyacı vardı.

SOWIT neden Ultralytics YOLO'yu seçti?#

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

Nesne tespiti bu sorun için oldukça uygundur; çünkü sistemin meyvenin mevcut olup olmadığını belirlemekten fazlasını yapması gerekir. Tespitlerin sayılabilmesi için aynı görüntüdeki birden fazla meyvenin konumunu belirlemelidir. Verimli çıkarım, iş akışına uzun bir gecikme eklemeden çok sayıda tarla görüntüsünün işlenmesini de pratik hâle getirir.

Model, daha kapsamlı bir sistemin yalnızca bir parçasıdır. Güvenilir verim tahmini aynı zamanda temsili eğitim verilerine, tutarlı görüntü yakalamaya, uygun örneklemeye ve meyve bahçesinde karşılaşılan koşullar altında doğrulamaya bağlıdır. Işıklandırma, yapraklar, örtülme, 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 toplama konusunda yönlendirmeli bir süreç sundu.

1. Parseli tanımla#

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

2. Temsili ağaçları seç#

Uygulama, hedef hata payını karşılamak için kaç ağacın örneklenmesi gerektiğini belirler. Yapılandırılmış bir örnekleme planı yanlılığı azaltmaya ve sonuçları parseller ile sezonlar arasında daha karşılaştırılabilir hâle getirmeye yardımcı olur.

3. Görüntüleri yakala#

Kullanıcı, örneklenen her ağacın önünü ve arkasını fotoğraflar. Her iki tarafın da görüntülenmesi, yaprakların, dalların veya diğer meyvelerin taç yapısının bazı bölümlerini gizlediği 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 ağaçlar için sayımlara dönüştürür.

5. Verimi tahmin et#

Örneklenen sayımlar, meyve bahçesindeki verimi tahmin etmek için parsel bilgileriyle birleştirilir. Çiftlik ekipleri daha sonra sonucu ticari ve operasyonel planlamaya yön vermek için kullanabilir.

Mfruits çiftliğinin teknik direktörü Youssef Sridi, uygulamanın pratik değerini şöyle açıkladı: “SOWIT'in uygulamasını kullanmak, tarla kaynaklarından tasarruf ederken verimimizi zamanında ve büyük bir doğrulukla doğru şekilde tahmin etmemize yardımcı oldu.”

Çiftlik ekipleri için operasyonel değer#

Bilgisayarlı görü, agronomik uzmanlık ihtiyacını ortadan kaldırmaz. Bu uzmanlığa daha hızlı ve tutarlı bir ölçüm aracı sağlar.

• Daha tekrarlanabilir tahminler: Tanımlanmış bir görüntü ve örnekleme iş akışı, bireysel sayım yapan kişiler arasındaki farklılıkları azaltır.
• Daha az manuel sayım: Ekipler her ağacı incelemeye daha az, elde edilen bilgiler doğrultusunda harekete geçmeye daha fazla zaman ayırabilir.
• Daha erken planlama: Zamanında yapılan tahminler hasat planlamasını, personel görevlendirmesini, 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, doğruluğu sistemin çalışacağı çiftliklerden alınan veriler üzerinde değerlendirmeli, başarısızlık durumlarını incelemeli ve ürünler, sezonlar, kameralar veya çalışma koşulları değiştiğinde yeniden eğitim yapmalıdır.

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: temsili bir veri kümesi hazırlamak, bir nesne tespit modeli eğitmek, modeli gerçek çalışma koşullarına göre doğrulamak ve net bir kullanıcı sorununu çözen bir uygulamanın içinde dağıtmak.

Yeni projeler için Ultralytics YOLO26 en yeni kararlı model ve önerilen başlangıç noktasıdır. Ekipler; bir tarla, uç veya bulut dağıtımına en uygun doğruluk, gecikme ve donanım uyumluluğu dengesini seçmek için model boyutlarını ve dışa aktarma biçimlerini karşılaştırabilir.

Bilgisayarlı görü yaşam döngüsünü Ultralytics Platform ile yönetme#

Ultralytics Platform, bir görü yapay zekâsı projesini veriden üretime taşımak için tek bir çalışma alanı sağlar. Tarımsal bir uygulama geliştiren bir ekip, Platform'u şunları yapmak için kullanabilir:

• Görüntü veri kümelerini edinmek ve düzenlemek.
• Verilere açıklama eklemek ve otomatik açıklamayla etiketlemeyi hızlandırmak.
• Ultralytics YOLO modellerini bulutta veya yerel altyapıda eğitmek.
• Model metriklerini incelemek ve deneyleri karşılaştırmak.
• Modelleri desteklenen hedeflerde çıkarım için dağıtmak.
• Üretim iş akışlarını izlemek ve yeni tarla verileriyle modeli sürekli iyileştirmek.

Bu yaşam döngüsü önemlidir; çünkü tarımsal ortamlar statik değildir. Bir meyve bahçesi veya sezondan alınan verilerle eğitilen bir model daha sonra farklı çeşitler, hava koşulları, ışıklandırma, büyüme aşamaları veya kamera cihazlarıyla karşılaşabilir. Veri kümelerini, deneyleri, dağıtımları ve izlemeyi birbirine bağlı tutmak, bu değişikliklerin yönetilmesini kolaylaştırır.

Tarım için pratik görü yapay zekâsı geliştirme#

En güçlü bilgisayarlı görü projeleri, iyileştirmeleri gereken operasyonel kararla başlar. SOWIT örneğinde amaç yalnızca bir görüntüde meyveleri tespit etmek değil, çiftçilerin kullanabileceği zamanında bir verim tahmini üretmekti.

Benzer sistemler planlayan ekipler, ölçeklendirmeye başlamadan önce örnekleme yöntemini, başarı metriklerini, çıkarım ortamını ve insan inceleme sürecini tanımlamalıdır. Ayrıca zorlu ışıklandırma ve kısmen örtülmüş meyveler de dâhil olmak üzere gerçekçi tarla koşullarında test yapmalı ve dağıtımın mevcut bağlantı ve donanımla çalıştığını doğrulamalıdır.

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

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