SOWIT sử dụng Ultralytics YOLO cho hoạt động canh tác thông minh hơn như thế nào

SOWIT kết hợp lĩnh vực nông học, kỹ thuật và phần mềm để giúp các trang trại đưa ra quyết định tốt hơn dựa trên dữ liệu thực địa. Một ứng dụng thực tiễn của SOWIT sử dụng khả năng phát hiện đối tượng của Ultralytics YOLO để ước tính sản lượng cây có múi từ hình ảnh, thay thế quy trình thủ công chậm chạp bằng một workflow computer vision có tính lặp lại.

Dự án cho thấy vision AI có thể hỗ trợ nông nghiệp như thế nào khi được thiết kế xoay quanh một vấn đề vận hành cụ thể: thu thập hình ảnh mang tính đại diện, phát hiện trái cây một cách nhất quán và chuyển các kết quả phát hiện đó thành thông tin mà đội ngũ trang trại có thể sử dụng để lập kế hoạch.

Thách thức: ước tính sản lượng trên một vườn cây rộng lớn#

SOWIT hợp tác với một trang trại cây có múi nằm giữa Marrakech và Imintanout, Morocco. Trên diện tích khoảng 180 ha, việc ước tính số lượng trái trên cây là yếu tố thiết yếu cho việc lập kế hoạch thu hoạch, phân bổ nhân lực, bán hàng và logistics.

Phương pháp ước tính sản lượng truyền thống dựa vào việc con người đếm thủ công số trái trên các cây được lấy mẫu rồi ngoại suy kết quả cho toàn bộ vườn cây. Phương pháp này có thể tốn kém và mất nhiều thời gian, đồng thời kết quả có thể khác nhau giữa những người quan sát. Khi các ước tính bị chậm trễ hoặc thiếu nhất quán, trang trại sẽ có ít thông tin đáng tin cậy hơn để đàm phán với người mua và chuẩn bị các nguồn lực cần thiết cho việc thu hoạch.

SOWIT cần một phương pháp có thể hoạt động với thiết bị mà nông dân đã có, phù hợp với các hoạt động ngoài thực địa và tạo ra kết quả nhất quán mà không yêu cầu đếm thủ công từng trái.

Vì sao SOWIT lựa chọn Ultralytics YOLO#

SOWIT xây dựng giải pháp ban đầu bằng Ultralytics YOLOv5. Các model YOLO xử lý một hình ảnh trong một lượt suy luận duy nhất và trả về vị trí cùng class của từng đối tượng được phát hiện. Trong use case này, các đối tượng là từng trái cây riêng lẻ trên một cây.

Phát hiện đối tượng rất phù hợp với bài toán này vì hệ thống không chỉ cần xác định liệu có trái cây hay không. Hệ thống phải định vị nhiều trái cây trong cùng một hình ảnh để có thể đếm các kết quả phát hiện. Khả năng suy luận hiệu quả cũng giúp việc xử lý nhiều hình ảnh thực địa trở nên thiết thực mà không tạo ra độ trễ dài trong workflow.

Model chỉ là một phần của hệ thống lớn hơn. Việc ước tính sản lượng đáng tin cậy còn phụ thuộc vào dữ liệu training mang tính đại diện, quy trình chụp ảnh nhất quán, phương pháp lấy mẫu phù hợp và hoạt động validation trong các điều kiện thực tế của vườn cây. Ánh sáng, tán lá, tình trạng che khuất, kích thước trái, góc camera và giống cây trồng đều có thể ảnh hưởng đến hiệu năng.

Workflow của SOWIT hoạt động như thế nào#

SOWIT tích hợp model vào ứng dụng SOYFIELD, cung cấp cho nông dân một quy trình có hướng dẫn để thu thập thông tin cần thiết cho việc ước tính.

1. Xác định khu đất#

Người dùng chọn khu đất của trang trại, lập bản đồ ranh giới và ghi lại các thông tin liên quan như loại cây trồng, số lượng cây và phương thức canh tác. Bối cảnh này liên kết từng mẫu hình ảnh với đúng khu vực của trang trại.

2. Chọn các cây mang tính đại diện#

Ứng dụng xác định số lượng cây cần lấy mẫu để đạt biên sai số mục tiêu. Kế hoạch lấy mẫu có cấu trúc giúp giảm sai lệch và làm cho kết quả giữa các khu đất cũng như các mùa vụ dễ so sánh hơn.

3. Chụp hình ảnh#

Người dùng chụp mặt trước và mặt sau của từng cây được lấy mẫu. Chụp cả hai phía giúp cải thiện độ bao phủ ở những vị trí mà lá, cành hoặc các trái khác che khuất một phần tán cây.

4. Phát hiện và đếm trái cây#

Hình ảnh được gửi đi để suy luận. Model YOLO xác định từng trái cây riêng lẻ, sau đó ứng dụng chuyển các kết quả phát hiện thành số lượng của những cây được lấy mẫu.

5. Ước tính sản lượng#

Các số lượng từ mẫu được kết hợp với thông tin về khu đất để ước tính sản lượng trên toàn bộ vườn cây. Sau đó, đội ngũ trang trại có thể sử dụng kết quả này để hỗ trợ việc lập kế hoạch thương mại và vận hành.

Youssef Sridi, giám đốc kỹ thuật của trang trại Mfruits, mô tả giá trị thực tiễn của ứng dụng: “Sử dụng ứng dụng của SOWIT đã giúp chúng tôi ước tính chính xác sản lượng một cách kịp thời và có độ chính xác cao, đồng thời tiết kiệm nguồn lực ngoài thực địa.”

Giá trị vận hành dành cho đội ngũ trang trại#

Computer vision không loại bỏ nhu cầu về chuyên môn nông học. Công nghệ này cung cấp cho chuyên môn đó một công cụ đo lường nhanh hơn và nhất quán hơn.

• Ước tính có tính lặp lại cao hơn: Một workflow chụp ảnh và lấy mẫu được xác định rõ giúp giảm sự khác biệt giữa những người đếm riêng lẻ.
• Ít đếm thủ công hơn: Đội ngũ có thể dành ít thời gian hơn để kiểm tra từng cây và nhiều thời gian hơn để hành động dựa trên thông tin thu được.
• Lập kế hoạch sớm hơn: Các ước tính kịp thời có thể hỗ trợ việc lên lịch thu hoạch, bố trí nhân sự, vận chuyển, lưu kho và thảo luận bán hàng.
• Quy trình dữ liệu có thể tái sử dụng: Hình ảnh và kết quả của model tạo nền tảng để đánh giá hiệu năng theo thời gian và cải thiện hệ thống khi điều kiện thực địa thay đổi.

Những lợi ích này phụ thuộc vào việc duy trì chất lượng model. Đội ngũ nên đánh giá độ chính xác trên dữ liệu từ các trang trại nơi hệ thống sẽ hoạt động, xem xét các trường hợp lỗi và retrain khi cây trồng, mùa vụ, camera hoặc điều kiện vận hành thay đổi.

Từ YOLOv5 đến các model Ultralytics YOLO hiện nay#

Dự án của SOWIT được phát triển bằng YOLOv5, một model quan trọng trong quá trình phát triển của dòng Ultralytics YOLO. Workflow nền tảng vẫn còn phù hợp: chuẩn bị một dataset mang tính đại diện, train model phát hiện đối tượng, validation model trong các điều kiện vận hành thực tế và triển khai model bên trong một ứng dụng giải quyết rõ ràng vấn đề của người dùng.

Đối với các dự án mới, Ultralytics YOLO26 là model ổn định mới nhất và là điểm khởi đầu được khuyến nghị. Đội ngũ có thể so sánh kích thước model và các định dạng export để lựa chọn sự cân bằng giữa độ chính xác, latency và khả năng tương thích phần cứng phù hợp nhất với việc triển khai trên hiện trường, edge hoặc cloud.

Quản lý vòng đời computer vision với Ultralytics Platform#

Ultralytics Platform cung cấp một workspace để đưa dự án vision AI từ dữ liệu đến production. Đội ngũ xây dựng ứng dụng nông nghiệp có thể sử dụng Platform để:

• Tìm nguồn và sắp xếp các dataset hình ảnh.
• Annotate dữ liệu và tăng tốc quy trình labeling bằng auto-annotation.
• Train các model Ultralytics YOLO trên cloud hoặc hạ tầng local.
• Xem xét các metric của model và so sánh các experiment.
• Deploy các model để inference trên những target được hỗ trợ.
• Giám sát các workflow production và tiếp tục cải thiện model bằng dữ liệu thực địa mới.

Vòng đời này rất quan trọng vì môi trường nông nghiệp không cố định. Một model được train trên một vườn cây hoặc mùa vụ có thể gặp các giống cây, thời tiết, điều kiện ánh sáng, giai đoạn sinh trưởng hoặc thiết bị camera khác nhau vào những thời điểm sau. Việc duy trì kết nối giữa dataset, experiment, deployment và hoạt động monitoring giúp quản lý những thay đổi đó dễ dàng hơn.

Xây dựng vision AI thực tiễn cho nông nghiệp#

Các dự án computer vision hiệu quả nhất bắt đầu từ quyết định vận hành mà chúng cần cải thiện. Trong trường hợp của SOWIT, mục tiêu không chỉ đơn giản là phát hiện trái cây trong một hình ảnh; mục tiêu là tạo ra một ước tính sản lượng kịp thời mà nông dân có thể sử dụng.

Các đội ngũ lập kế hoạch cho những hệ thống tương tự nên xác định phương pháp lấy mẫu, metric thành công, môi trường inference và quy trình human review trước khi mở rộng quy mô. Họ cũng nên kiểm thử trong các điều kiện thực địa thực tế, bao gồm ánh sáng khó và trái cây bị che khuất một phần, đồng thời xác nhận rằng deployment hoạt động với kết nối mạng và phần cứng sẵn có.

Công việc của SOWIT cho thấy Ultralytics YOLO có thể chuyển đổi hình ảnh thực địa thành thông tin nông nghiệp hữu ích như thế nào. Với các model YOLO hiện đại và Ultralytics Platform hỗ trợ toàn bộ vòng đời computer vision, các đội ngũ có thể dựa trên mô hình này để phát triển các hệ thống vision AI dễ bảo trì cho trang trại và những môi trường thực tế khác.

Khám phá Ultralytics Platform để bắt đầu xây dựng và quản lý workflow computer vision của riêng bạn.