Ultralytics YOLO11 ve bitki fenotiplemede bilgisayarlı görü

Tarım, gıda tedarikimiz için hayati önem taşır ve araştırmacılar, temel bir zorlukla (iklim değişikliği) ilgili süreçleri optimize etmenin yollarını sürekli araştırır. Küresel ısınma yetiştirme mevsimlerini etkilerken ve dünya nüfusu artmaya devam ederken, sürekli değişen ortamlara dayanabilecek ürünler geliştirme ihtiyacı oldukça gerçektir. Bitki fenotipleme, bu araştırmanın önemli bir parçasıdır.

Bitki fenotipleme; boyut, renk, büyüme ve kök yapıları gibi bitki özelliklerinin incelenmesini kapsar. Bitkilerin farklı koşullara nasıl tepki verdiğini anlayarak kuraklık, sıcaklık veya verimsiz toprakla başa çıkmaya daha uygun olanları belirleyebiliriz. Bu veriler, tarımsal verimliliği artırmak için hangi ürünlerin yetiştirilmesi gerektiğine karar vermek amacıyla kullanılabilir.

Bitki fenotipleme genellikle zaman alıcı ve yoğun emek gerektiren manuel görsel gözlemleri kapsar. Yapay zekânın (AI) bir dalı olan bilgisayarlı görü, bitkileri inceleme biçimimizi yeniden şekillendirebilir. Bitki fenotiplemede bilgisayarlı görü sayesinde görüntülerden veya videolardan bitkileri otomatik olarak tespit edip analiz edebilir, hızı, tutarlılığı ve doğruluğu önemli ölçüde artırabiliriz.

Örneğin Ultralytics YOLO11 gibi bilgisayarlı görü modelleri; dronlar, kara robotları veya elde taşınan cihazlar tarafından yakalanan büyük miktarlardaki görsel bitki verisini işleyebilir. Çeşitli bilgisayarlı görü görevlerini destekleyen YOLO11, görüntü ve videolardaki farklı bitki özelliklerini analiz etmek için kullanılabilir.

Bu makalede, geleneksel bitki fenotiplemedeki zorluklara daha yakından bakacak ve Ultralytics YOLO11 gibi bilgisayarlı görü modellerinin daha akıllı ve sürdürülebilir tarım uygulamalarını nasıl geliştirdiğini inceleyeceğiz.

Bitki fenotipleme nedir?#

Bitki fenotipleme, bir bitkinin fiziksel ve biyokimyasal özelliklerini gözlemleme ve analiz etme sürecidir. Bitki yüksekliği, yaprak alanı, büyüme hızı ve stres tepkileri gibi verileri toplayarak bitkilerin nasıl büyüdüğü ve farklı ortamlara nasıl tepki verdiği hakkında değerli bilgiler edinebiliriz.

Bitki fenotipleme yoluyla toplanan veriler, ürün geliştirme, verim tahmini ve iklim direncini artırma açısından hayati önem taşır. Bu veri noktaları ayrıca çiftçilerin ve tarım uzmanlarının daha ileri yetiştirme veya ıslah için en iyi performans gösteren bitki çeşitlerini seçmesine yardımcı olur.

Şekil 1. Bir araştırmacının cetvel kullanarak bitkinin yüksekliğini ölçmesi.

Günümüzde bile bitki fenotipleme genellikle manuel yöntemleri kapsar. Araştırmacılar veya uzman çiftçiler tarlaları ziyaret eder, bitkileri fiziksel olarak ölçer ve verileri elle kaydeder. Değerli olmalarına rağmen bu yöntemler büyük miktarda insan emeği gerektirir. Ayrıca farklı kişiler bitki özelliklerini farklı şekilde gözlemleyip yorumlayabileceğinden tutarsızlıklara yol açabilir.

Bununla birlikte modern fenotipleme veya yüksek verimli bitki fenotipleme; tutarlılığa, doğruluğa ve tahribatsız veri toplamaya odaklanır. Bitkileri fiziksel olarak rahatsız etmeden yüksek çözünürlüklü veriler toplamak için RGB kameralar (standart renkli kameralar), hiperspektral sensörler (gözün görebildiğinin ötesinde bile geniş bir renk bilgisi aralığını yakalayan cihazlar) ve LiDAR (Işık Algılama ve Menzil Belirleme) sistemleri (ayrıntılı 3B haritalar oluşturan lazer tabanlı tarayıcılar) gibi gelişmiş araçlar kullanılarak izlenir.

Yapay zekâ ve bilgisayarlı görüyle birleştirildiğinde bu invazif olmayan yöntemler, bitki fenotiplemenin doğruluğunu ve tutarlılığını önemli ölçüde artırmaya yardımcı olabilir.

Geleneksel bitki fenotiplemenin sınırlamaları#

Temel öneme sahip olsalar da geleneksel bitki fenotipleme yöntemlerinin çeşitli sınırlamaları ve zorlukları vardır. Başlıca dezavantajlarından bazıları şunlardır:

• Manuel yöntemler: Geleneksel yöntemler insan emeğine dayanıyordu ve cetvel ile kumpas gibi fiziksel araçlar kullanılıyordu. Özellikle büyük tarım arazilerinde zaman alıcı ve öznel yöntemlerdi.
• Tahribatlı örnekleme: İç bitki özelliklerini incelemek için bitkiler çoğu zaman zarar görüyor veya köklerinden sökülüyordu. Tahribatlı örnekleme, bitkilerin farklı zaman aralıklarında nasıl tepki verdiğinin izlenmesini imkânsız hâle getirir.
• Dinamik değişiklikleri yakalamanın zorluğu: Geleneksel yöntemler çoğu zaman tek bir zaman anını yakalar ve bitki özelliklerinin zaman içindeki gelişimini gözden kaçırır.

Yüksek verimli bitki fenotipleme, ölçümleri daha doğru hâle getirmek ve tutarlılığı korumak için bitki fenotiplemesini otomatikleştirmeye odaklanır. Tarımsal yenilik ve akıllı tarım için yeni fırsatlar sunar.

Bitki fenotiplemede bilgisayarlı görünün rolü#

Bilgisayarlı görü, makinelerin insanlar gibi gerçek dünyadaki görsel bilgileri görmesini ve yorumlamasını sağlayan bir teknolojidir. Üç temel aşamayı kapsar: görüntü edinme, işleme ve analiz.

İlk olarak görüntü edinme, kameralar ve dronlar gibi çeşitli sensörleri kullanarak görsel verilerin yakalanmasını kapsar. Ardından görüntü işleme, gürültü azaltma ve renk düzeltme gibi tekniklerle görüntülerin kalitesini ve netliğini artırır. Son olarak görüntü analizi, nesne tespiti ve örnek segmentasyonu gibi farklı bilgisayarlı görü görevlerini kullanarak işlenmiş görüntülerden anlamlı bilgiler çıkarır. Ultralytics YOLO11 gibi modeller bu görüntü analizi için kullanılabilir ve bu tür görevleri destekler.

Şekil 2. YOLO11 bir tarladaki sebzeleri tespit etmek için kullanılabilir.

Yüksek verimli bitki fenotiplemede kullanılan diğer teknolojiler#

Bilgisayarlı görünün ötesinde, yüksek verimli bitki fenotipleme ayrıntılı bitki görüntüleri ve videoları yakalamak için çeşitli yenilikçi teknolojilere dayanır. Veri toplamayı geliştiren bu temel araçlardan bazıları şunlardır:

• RGB görüntüleme: Bitkilerin görüntülerini yakalamak için standart RGB kameralar yaygın olarak kullanılır. RGB görüntüleme, fenotipik analizin merkezinde yer alır ve çoğu zaman daha karmaşık değerlendirmelerde ilk adım olarak kullanılır.
• Hiperspektral görüntüleme: Bu teknoloji, görünür spektrumun ötesinde geniş bir spektral bant aralığını yakalar. Bir bitkinin kimyasal bileşimi hakkında ayrıntılı bilgi sağlar ve klorofil seviyeleri, su içeriği ve besin eksiklikleri gibi unsurların tespit edilmesine yardımcı olur.
• Termal görüntüleme: Termal kameralar, bitkiler tarafından yayılan kızılötesi radyasyonu ölçerek yüzey sıcaklığı hakkında bilgiler sunar. Bu invazif olmayan yöntem, bitki sağlığını izlemek ve olası sorunları erken tespit etmek için kullanışlıdır.
• 3B görüntüleme: Derinlik kameraları ve LiDAR teknolojisi, bitkilerin üç boyutlu modellerini oluşturur. 3B görüntüleme, karmaşık bitki yapılarını analiz etmek ve farklılıkların büyüme ile verimliliği nasıl etkilediğini anlamak için kritik öneme sahiptir.

Şekil 3. Yüksek verimli bitki fenotiplemede kullanılan temel teknolojiler. Görsel yazara aittir.

Bitki fenotiplemede Ultralytics YOLO11 uygulamaları#

Bilgisayarlı görü modelleri, çok çeşitli görevlerde bitki fenotiplemede giderek daha fazla kullanılmaktadır. Yaprak sayımından ayrıntılı morfolojik analize kadar bu teknolojiler, bitki sağlığını anlama ve yönetme biçimimizi dönüştürüyor. YOLO11 gibi modellerin bitki fenotiplemeye yardımcı olabileceği bazı gerçek dünya uygulamalarına göz atalım.

Ultralytics YOLO11 ile yaprak sayımı ve kuraklık tahmini#

Ultralytics YOLO11 gibi görü modelleri İHA'larla (insansız hava araçları) entegre edildiğinde bitkilerin farklı özelliklerini gerçek zamanlı olarak analiz etmek için kullanılabilir. YOLO11'in yaprak uçları gibi küçük özellikleri yüksek çözünürlüklü hava görüntülerinde tespit edebilmesi, araştırmacıların ve çiftçilerin bitki gelişim aşamalarını geleneksel manuel yöntemlerden daha hassas biçimde takip etmesine yardımcı olur.

Örneğin Ultralytics YOLO11'in nesne tespiti desteği, görünen yaprakların sayısını hesaplayarak kuraklığa dayanıklı ve kuraklığa duyarlı pirinç bitkileri arasındaki farkları belirlemek için kullanılabilir. Yaprak sayısı gibi görsel ipuçları, bitki biyokütlesi ve dayanıklılığı gibi daha derin özelliklerle çoğu zaman ilişkilidir.

Ultralytics YOLO11 ile çiçek tespiti#

Çiçek tespiti ve sayımı, özellikle çiçek miktarının verim potansiyeliyle yakından bağlantılı olduğu ürünlerde bitki fenotiplemenin ilgi çekici yönleridir. Özellikle Ultralytics YOLO11, çeşitli çiçek yapılarını tespit etmek için kullanılabilir. Çiçek tespit sürecini otomatikleştiren çiftçiler ve araştırmacılar; tozlaşma zamanlaması, kaynak tahsisi ve genel ürün sağlığıyla ilgili daha hızlı, veriye dayalı kararlar alabilir.

Yapay zekâ ve Ultralytics YOLO11 ile bitki hastalığı tespiti#

Bitki hastalıklarını tespit etmek, ürün sağlığını izlemenin önemli bir parçasıdır. YOLO11'in görüntü sınıflandırma özellikleri kullanılarak ürün görüntüleri, hastalığın erken belirtilerini belirlemek üzere sınıflandırılabilir. YOLO11 ayrıca otomatik hastalık tespiti için dronlar, mobil uygulamalar veya tarla robotları gibi cihazlara entegre edilebilir. Bu sayede çiftçiler hastalık salgınlarına karşı zamanında önlem alabilir, verim kaybını azaltabilir ve pestisit kullanımını en aza indirebilir.

Örneğin Ultralytics YOLO11, üzüm yapraklarında bağ yaprak kıvırcıklığı hastalığı belirtilerini gösterebilecek görüntüleri sınıflandırmak üzere özel olarak eğitilebilir. Model; sağlıklı yapraklar, hafif renk değişimi ve şiddetli belirtiler gibi farklı hastalık aşamalarını kapsayan etiketli örneklerden öğrenir. YOLO11, renk değişiklikleri ve damar renk bozulması gibi belirgin görsel kalıpları tanıyarak üzüm yetiştiricilerinin enfeksiyonları erken tespit etmesine ve tedaviler hakkında daha bilinçli kararlar almasına yardımcı olur.

Şekil 4. Bağ yaprak kıvırcıklığı hastalığının kendini gösterme biçimlerine örnekler.

Bitki fenotiplemede Ultralytics YOLO11 kullanmanın avantajları#

Geleneksel bitki fenotipleme yöntemlerine kıyasla Ultralytics YOLO11 gibi bilgisayarlı görü modellerini kullanmanın bazı avantajları şunlardır:

• Ölçeklenebilirlik ve maliyet etkinliği: Süreçleri Ultralytics YOLO11 ile otomatikleştirmek manuel iş gücü ihtiyacını azaltarak büyük ölçekli tarım operasyonları için ölçeklenebilir ve maliyet etkin bir çözüm sunabilir.
• Gerçek zamanlı uyarılar: Ultralytics YOLO11 kullanılarak toplanan içgörülerin otomatik sistemlerle entegre edilmesi, olası sorunlar hakkında anında bildirimler sağlayarak hızlı karar almayı destekler.
• Sürdürülebilir tarım uygulamaları: Manuel müdahaleleri ve kimyasal kullanımını azaltan bilgisayarlı görü, çevre dostu ve daha sürdürülebilir bir tarıma katkıda bulunur.

Bitki fenotiplemede bilgisayarlı görünün zorlukları#

Bilgisayarlı görü, bitki fenotipleme söz konusu olduğunda birçok avantaj sunsa da bu sistemleri uygulamayla ilgili sınırlamaları akılda tutmak önemlidir. Temel endişelerden bazıları şunlardır:

• Veri kümesi gereksinimleri: Modelleri eğitmek için büyük, çeşitli ve iyi etiketlenmiş veri kümeleri gerekir. Bunları toplamak, özellikle nadir ürünler veya benzersiz koşullar söz konusu olduğunda zor ve zaman alıcı olabilir.
• Gizlilik endişeleri: Dronlar ve akıllı kameralar tarlalarda daha yaygın hâle geldikçe verilerin kime ait olduğu, nasıl depolandığı ve uygun izin alınmadan kullanılıp kullanılmadığı hakkında sorular ortaya çıkar.
• Çevresel koşullar: Değişen aydınlatma, hava koşulları ve arka plan karmaşası, öngörülemeyen tarım ortamlarında görsel analizin doğruluğunu etkileyebilir.

Yüksek verimli bitki fenotiplemeye geçiş#

Bitki fenotiplemenin geleceği, ürün sağlığı ve büyümesi hakkında daha net bir tablo sunmak için birlikte çalışan akıllı ve birbirine bağlı sistemlere doğru ilerliyor. Heyecan verici eğilimlerden biri, aynı anda birden fazla sensörün kullanılmasıdır. Çeşitli kaynaklardan gelen verileri birleştirerek bir bitkide neler olup bittiğine dair çok daha zengin ve doğru bir anlayış elde edebiliriz.

Pazar eğilimleri de gelişmiş bitki fenotipleme yöntemlerine yönelik ilginin arttığını gösteriyor. Küresel bitki fenotipleme pazarı bu yıl (2025) yaklaşık 311,73 milyon dolar değerinde ve 2030'a kadar 520,80 milyon dolara ulaşması bekleniyor.

Şekil 5. Bitki fenotipleme pazarının değeri.

Önemli çıkarımlar#

Bitki fenotiplemede bilgisayarlı görü, bitkilerin ölçümünü ve analizini otomatikleştirmeye yardımcı oluyor. Ultralytics YOLO11 gibi görü yapay zekâsı modelleri manuel işi azaltabilir, daha iyi sonuçlar elde edebilir ve ürünleri büyük ölçekte izlemeyi kolaylaştırabilir. Geleneksel yöntemlerden akıllı, teknoloji odaklı sistemlere geçiş; iklim değişikliği, gıda kıtlığı ve sürdürülebilir tarım gibi küresel zorlukların ele alınması yönünde önemli bir adımdır.

İlerleyen süreçte bilgisayarlı görünün yapay zekâ, robotik ve akıllı sensörler gibi diğer teknolojilerle entegre edilmesi, tarımı daha da akıllı ve verimli hâle getirecek. Yapay zekâ geliştikçe bitkileri kesintisiz izleyebileceğimiz, büyümelerini hassas biçimde ayarlayabileceğimiz ve ihtiyaç duydukları bakımı sağlayabileceğimiz bir geleceğe yaklaşıyoruz.

Yapay zekâ yenilikleri hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Çözüm sayfalarımızda üretimde yapay zekâ ve sağlık hizmetlerinde bilgisayarlı görü gibi alanlardaki en son gelişmeleri keşfet. Lisanslama seçeneklerimize göz at ve bilgisayarlı görüye bugün başla!