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

SOWIT, tarla verilerinden daha iyi kararlar alabilmeleri için tarım bilimi, mühendislik ve yazılımı bir araya getiriyor. Pratik uygulamalarından biri, yavaş bir manuel süreci tekrarlanabilir bir bilgisayarla görü akışıyla değiştirerek görüntülerden narenciye verimini tahmin etmek için Ultralytics YOLO nesne tespiti kullanıyor.

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

Zorluk: geniş bir meyve bahçesinde verimi tahmin etmek#

SOWIT, Fas'ın Marakeş ve İmintanout şehirleri arasındaki bir narenciye çiftliğiyle çalıştı. Yaklaşık 180 hektarlık alanda ağaçlardaki meyve sayısını tahmin etmek; hasat planlaması, iş gücü tahsisi, satışlar ve lojistik için hayati önem taşıyordu.

Geleneksel verim tahmini, kişilerin örneklenen ağaçlardaki meyveleri manuel olarak saymasına ve sonuçları meyve bahçesinin tamamına uyarlamasına dayanır. Bu yaklaşım maliyetli ve zaman alıcı olabilir ve sonuçlar gözlemciler arasında değişiklik gösterebilir. Tahminler geciktiğinde veya tutarsız olduğunda, çiftlikler alıcılarla pazarlık yapmak ve hasat için gereken kaynakları hazırlamak konusunda daha az güvenilir bilgiye sahip olur.

SOWIT; çiftçilerin halihazırda sahip olduğu ekipmanlarla çalışabilecek, saha operasyonlarına uyum sağlayabilecek ve her meyvenin elle sayılmasını gerektirmeden tutarlı sonuçlar üretebilecek bir yönteme ihtiyaç duyuyordu.

SOWIT neden Ultralytics YOLO'yu seçti?#

SOWIT, orijinal çözümü Ultralytics YOLOv5 ile oluşturdu. YOLO modelleri, bir görüntüyü tek bir çıkarım (inference) adımında işler ve tespit edilen her nesnenin konumunu ve sınıfını döndürür. Bu kullanım senaryosu için nesneler, bir ağaç üzerindeki tekil meyvelerdir.

Nesne tespiti bu sorun için son derece uygundur çünkü sistemin yapması gereken tek şey meyvenin var olup olmadığını belirlemekten ibaret değildir. Tespitlerin sayılabilmesi için aynı görüntüdeki birden fazla meyvenin yerini tespit etmelidir. Verimli çıkarım, iş akışına uzun bir gecikme eklemeden birçok saha görüntüsünün işlenmesini de pratik hale getirir.

Model, daha geniş bir sistemin yalnızca bir parçasıdır. Güvenilir verim tahmini ayrıca temsili eğitim verilerine, tutarlı görüntü yakalamaya, uygun örneklemeye ve meyve bahçesinde karşılaşılan koşullar altında doğrulamaya bağlıdır. Işıklandırma, yapraklar, görüşün engellenmesi, meyve boyutu, kamera açısı ve ürün çeşidi performansı etkileyebilir.

SOWIT iş akışı nasıl çalışıyor?#

SOWIT, modeli SOYFIELD uygulamasına entegre ederek çiftçilere bir tahmin için gereken bilgileri toplama konusunda rehberli 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 kısmı ile ilişkilendirir.

2. Temsili ağaçları seç#

Uygulama, hedeflenen hata payını karşılamak için kaç ağacın örneklenmesi gerektiğini belirler. Yapılandırılmış bir örnekleme planı, yanlılığı azaltmaya yardımcı olur ve sonuçların parseller ile sezonlar arasında daha karşılaştırılabilir olmasını sağlar.

3. Görüntüleri yakala#

Kullanıcı, örneklenen her ağacın önünü ve arkasını fotoğraflar. Her iki tarafın da yakalanması, yaprakların, dalların veya diğer meyvelerin tepenin (gölgeliğin) bazı kısımlarını gizlediği durumlarda kapsama alanını iyileştirir.

4. Meyveleri tespit et ve say#

Görüntüler çıkarım için gönderilir. YOLO modeli bireysel meyveleri tanımlar ve uygulama bu tespitleri örneklenen ağaçlar için sayılara dönüştürür.

5. Verimi tahmin et#

Örneklenen sayımlar, meyve bahçesindeki verimi tahmin etmek için parsel bilgileriyle birleştirilir. Çiftlik ekipleri daha sonra bu sonucu ticari ve operasyonel planlamaya bilgi sağlamak amacıyla kullanabilir.

Mfruits çiftliğinin teknik direktörü Youssef Sridi, uygulamanın pratik değerini şu sözlerle açıkladı: “SOWIT'in uygulamasını kullanmak, saha kaynaklarından tasarruf sağlarken, harika bir hassasiyetle ve zamanında verimlerimizi doğru bir şekilde tahmin etmemize yardımcı oldu.”

Çiftlik ekipleri için operasyonel değer#

Bilgisayarla görü, tarımsal uzmanlık ihtiyacını ortadan kaldırmaz. Bu uzmanlığa daha hızlı ve daha tutarlı bir ölçüm aracı sunar.

• Daha tekrarlanabilir tahminler: Tanımlanmış bir görüntü ve örnekleme iş akışı, bireysel sayıcılar arasındaki farklılığı azaltır.
• Daha az manuel sayım: Ekipler her ağacı incelemek için daha az zaman harcayabilir ve elde edilen bilgilere göre hareket etmek için daha çok zaman ayırabilir.
• Daha erken planlama: Zamanında yapılan tahminler; hasat planlamasını, personel görevlendirmeyi, nakliyeyi, depolamayı ve satış görüşmelerini destekleyebilir.
• Yeniden kullanılabilir bir veri süreci: Görüntüler ve model sonuçları, performansı zaman içinde değerlendirmek ve saha koşulları değiştikçe sistemi geliştirmek için bir temel oluşturur.

Bu avantajlar model kalitesinin korunmasına bağlıdır. Ekipler, sistemin çalışacağı çiftliklerden elde edilen veriler üzerindeki doğruluğu değerlendirmeli, hata durumlarını incelemeli ve mahsuller, sezonlar, kameralar veya çalışma koşulları değiştiğinde yeniden eğitim (retrain) yapmalıdır.

YOLOv5'ten günümüzün Ultralytics YOLO modellerine#

SOWIT'in projesi, Ultralytics YOLO ailesinin evriminde önemli bir model olan YOLOv5 ile geliştirildi. Temel iş akışı geçerliliğini korumaktadır: temsili bir veri seti hazırlamak, bir nesne tespiti modeli eğitmek, bunu gerçek çalışma koşullarına karşı doğrulamak ve net bir kullanıcı sorununu çözen bir uygulamanın içine konuşlandırmak (deploy).

Yeni projeler için Ultralytics YOLO26 en son kararlı modeldir ve önerilen başlangıç noktasıdır. Ekipler, bir saha, uç veya bulut dağıtımına en uygun doğruluk, gecikme ve donanım uyumluluğu dengesini seçmek için model boyutlarını ve dışa aktarma formatlarını karşılaştırabilir.

Ultralytics Platform ile bilgisayarla görü yaşam döngüsünü yönetmek#

Ultralytics Platform, bir yapay zeka görüş projesini veriden üretime taşımak için tek bir çalışma alanı sağlar. Tarımsal bir uygulama geliştiren bir ekip, Platform'u şunlar için kullanabilir:

• Görüntü veri setleri bulmak ve organize etmek.
• Verileri etiketlemek ve otomatik etiketleme (auto-annotation) ile etiketlemeyi hızlandırmak.
• Bulutta veya yerel altyapıda Ultralytics YOLO modellerini eğitmek.
• Model metriklerini incelemek ve denemeleri karşılaştırmak.
• Desteklenen hedefler üzerinde çıkarım için modelleri konuşlandırmak.
• Üretim iş akışlarını izlemek ve yeni saha verileriyle modeli geliştirmeye devam etmek.

Tarımsal ortamlar statik olmadığından bu yaşam döngüsü önemlidir. Tek bir meyve bahçesinde veya sezonda eğitilen bir model daha sonra farklı çeşitlerle, hava koşullarıyla, ışıklandırmayla, büyüme aşamalarıyla veya kamera cihazlarıyla karşılaşabilir. Veri setlerini, denemeleri, konuşlandırmaları ve izlemeyi birbirine bağlı tutmak bu değişikliklerin yönetilmesini kolaylaştırır.

Tarım için pratik bilgisayarla görü oluşturmak#

En güçlü bilgisayarla görü projeleri, iyileştirmeleri gereken operasyonel kararla başlar. SOWIT'in durumunda amaç sadece bir görüntüdeki meyveyi tespit etmek değildi; çiftçilerin kullanabileceği zamanında bir verim tahmini üretmekti.

Benzer sistemler planlayan ekipler, ölçeklendirmeden önce örnekleme yöntemini, başarı metriklerini, çıkarım ortamını ve insan inceleme sürecini tanımlamalıdır. Ayrıca zorlu aydınlatma ve kısmen gizlenmiş meyveler dahil olmak üzere gerçekçi saha koşulları altında test yapmalı ve konuşlandırmanın mevcut bağlantı ve donanımla çalıştığını teyit etmelidir.

SOWIT'in çalışması, Ultralytics YOLO'nun saha görüntülerini faydalı tarımsal bilgilere nasıl dönüştürebileceğini göstermektedir. Modern YOLO modelleri ve tüm bilgisayarla görü yaşam döngüsünü destekleyen Ultralytics Platform ile ekipler, çiftlikler ve diğer gerçek dünya ortamları için sürdürülebilir bilgisayarla görü sistemleri geliştirmek amacıyla bu modeli temel alabilir.

Kendi bilgisayarla görü iş akışınızı oluşturmaya ve yönetmeye başlamak için Ultralytics Platform seçeneğini keşfet.