SOWIT 如何使用 Ultralytics YOLO 实现更智能的农业

SOWIT 将农学、工程和软件结合起来，帮助农场根据田间数据做出更明智的决策。其中一项实际应用使用 Ultralytics YOLO 目标检测，根据图像估算柑橘产量，以可重复的计算机视觉工作流取代缓慢的人工流程。

该项目展示了视觉 AI 如何在围绕具体运营问题进行设计时支持农业：采集具有代表性的图像，持续稳定地检测果实，并将检测结果转化为农场团队可用于规划的信息。

挑战：估算大型果园的产量#

SOWIT 与一家位于摩洛哥马拉喀什和伊明塔努特之间的柑橘农场合作。在约 180 公顷的范围内，估算树上果实的数量对于采收规划、人员分配、销售和物流都至关重要。

传统的产量估算依赖人工从抽样树上清点果实，再将结果推算到整个果园。这种方法成本高、耗时长，而且不同观察者得出的结果可能存在差异。当估算结果延迟或不一致时，农场在与买家协商以及准备采收所需资源时，能够依赖的信息就会减少。

SOWIT 需要一种能够使用农民已有设备、融入田间作业，并在无需人工清点每个果实的情况下持续产出一致结果的方法。

SOWIT 为何选择 Ultralytics YOLO#

SOWIT 最初使用 Ultralytics YOLOv5 构建解决方案。YOLO 模型通过单次推理处理图像，并返回每个检测到的对象的位置和类别。在这一应用场景中，对象就是树上的单个果实。

目标检测非常适合这一问题，因为系统不仅要判断是否存在果实，还必须定位同一图像中的多个果实，以便对检测结果进行计数。高效推理也使处理大量田间图像变得切实可行，不会给工作流带来过长延迟。

模型只是更大系统的一部分。可靠的产量估算还取决于具有代表性的训练数据、一致的图像采集、适当的抽样，以及在果园实际条件下进行验证。光照、叶片遮挡、果实大小、相机角度和作物品种都可能影响性能。

SOWIT 工作流如何运行#

SOWIT 将模型集成到其 SOYFIELD 应用中，为农民提供了一个引导式流程，用于采集估算所需的信息。

1. 定义地块#

用户选择农场地块，绘制其边界，并记录作物类型、树木数量和种植方式等相关信息。这些背景信息可以将每个图像样本关联到农场的正确区域。

2. 选择具有代表性的树木#

应用会确定需要抽样的树木数量，以满足目标误差范围。结构化的抽样计划有助于减少偏差，并使不同地块和季节的结果更具可比性。

3. 采集图像#

用户拍摄每棵抽样树的正面和背面。拍摄两面可以提高覆盖率，尤其是在叶片、树枝或其他果实遮挡树冠部分区域的情况下。

4. 检测并统计果实#

图像会被发送进行推理。YOLO 模型识别单个果实，应用则将这些检测结果转换为抽样树的果实数量。

5. 估算产量#

系统将抽样计数与地块信息结合起来，估算整个果园的产量。随后，农场团队可以利用这一结果制定商业和运营计划。

Mfruits 农场技术总监 Youssef Sridi 介绍了该应用的实际价值：“使用 SOWIT 的应用帮助我们及时、精准地估算产量，同时节省了田间资源。”

对农场团队的运营价值#

计算机视觉不会取代农学专业知识，而是为这些专业知识提供更快速、更一致的测量工具。

• 更可重复的估算： 明确的图像采集和抽样工作流可以减少不同人工计数人员之间的差异。
• 减少人工计数： 团队可以减少逐棵检查树木的时间，将更多精力用于根据所得信息采取行动。
• 更早规划： 及时的估算结果可以支持采收排期、人员安排、运输、仓储和销售洽谈。
• 可复用的数据流程： 图像和模型结果为长期评估性能以及随着田间条件变化改进系统奠定了基础。

这些收益取决于模型质量的持续维护。团队应使用来自系统实际运行农场的数据评估准确率，审查失败案例，并在作物、季节、相机或运营条件发生变化时重新训练模型。

从 YOLOv5 到如今的 Ultralytics YOLO 模型#

SOWIT 的项目使用 YOLOv5 开发，这是 Ultralytics YOLO 系列发展过程中的重要模型。其底层工作流依然适用：准备具有代表性的数据集，训练目标检测模型，根据真实运营条件进行验证，并将模型部署到能够解决明确用户问题的应用中。

对于新项目，Ultralytics YOLO26 是最新的稳定模型，也是推荐的起点。团队可以比较不同模型规模和导出格式，选择最适合田间、边缘或云端部署的准确率、延迟和硬件兼容性平衡。

使用 Ultralytics Platform 管理计算机视觉生命周期#

Ultralytics Platform 提供了一个统一工作区，帮助团队将视觉 AI 项目从数据推进到生产环境。构建农业应用的团队可以使用 Platform：

• 获取并整理图像数据集。
• 标注数据，并通过自动标注加快标注流程。
• 在云端或本地基础设施上训练 Ultralytics YOLO 模型。
• 查看模型指标并比较实验结果。
• 将模型部署到受支持的目标平台进行推理。
• 监控生产工作流，并利用新的田间数据持续改进模型。

这一生命周期非常重要，因为农业环境并非一成不变。在某个果园或季节数据上训练的模型，之后可能会遇到不同的品种、天气、光照、生长阶段或相机设备。将数据集、实验、部署和监控连接起来，可以更轻松地管理这些变化。

构建实用的农业视觉 AI#

最出色的计算机视觉项目始于需要改进的运营决策。对 SOWIT 而言，目标不仅是在图像中检测果实，更是生成农民可以使用的及时产量估算结果。

计划构建类似系统的团队应在扩展之前，明确抽样方法、成功指标、推理环境和人工审核流程。他们还应在真实的田间条件下进行测试，包括具有挑战性的光照和部分被遮挡的果实，并确认部署能够使用现有的网络连接和硬件运行。

SOWIT 的工作展示了 Ultralytics YOLO 如何将田间图像转化为有用的农业信息。借助现代 YOLO 模型和支持完整计算机视觉生命周期的 Ultralytics Platform，团队可以沿用这一模式，为农场及其他真实环境开发易于维护的视觉 AI 系统。

探索 Ultralytics Platform，开始构建和管理你自己的计算机视觉工作流。