SOWIT 如何利用 Ultralytics YOLO 实现智慧农业

SOWIT 结合了农学、工程学和软件，帮助农场利用田间数据做出更好的决策。其核心应用之一是使用 Ultralytics YOLO 目标检测从图像中估算柑橘产量，用可重复的计算机 vision 工作流取代了缓慢的手动过程。

该项目展示了当视觉 AI 围绕具体的运营问题进行设计时，如何为农业提供支持：收集具有代表性的图像，持续检测果实，并将这些检测结果转化为农场团队可用于规划的信息。

挑战：在大型果园中估算产量#

SOWIT 与摩洛哥马拉喀什和伊明塔诺特之间的一个柑橘农场进行了合作。在约 180 公顷的土地上，估算树上的果实数量对于收成规划、劳动力分配、销售和物流至关重要。

传统的产量估算依赖于人工对抽样树木上的果实进行清点，并将结果外推到整个果园。这种方法成本高昂且耗时，观察员之间的结果也可能有所不同。当估算结果迟缓或不一致时，农场在与买家谈判和准备收获所需资源时获得的可信赖信息就会减少。

SOWIT 需要一种方法，能够配合农场主已有的设备，融入田间作业，并在无需人工清点每颗果实的情况下产生一致的结果。

SOWIT 为什么选择 Ultralytics YOLO#

SOWIT 使用 Ultralytics YOLOv5 构建了最初的解决方案。YOLO 模型在单个推理通道中处理图像，并返回每个检测到物体的坐标和类别。对于这个用例，物体是树上的单个果实。

目标检测非常适合这个问题，因为系统不仅要判断果实是否存在。它必须在同一图像中定位多个果实，以便对检测结果进行计数。高效的推理也使得处理许多田间图像变得切实可行，而不会在工作流中引入漫长的延迟。

模型只是更广泛系统的一部分。可靠的产量估算还取决于具有代表性的训练数据、一致的图像捕获、适当的抽样以及在果园实际条件下的验证。光照、叶子、遮挡、果实大小、摄像机角度和作物种类都会影响性能。

SOWIT 工作流的运作方式#

SOWIT 将该模型集成到其 SOYFIELD 应用程序中，为农场主提供了一个收集估算所需信息的引导流程。

1. 定义地块#

用户选择农场地块，绘制其边界，并记录相关信息，如作物类型、树木数量和耕作习惯。这种上下文将每个图像样本连接到农场的正确部分。

2. 选择具有代表性的树木#

应用程序确定应抽样多少棵树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之间的结果更具可比性。

3. 捕获图像#

用户拍摄每棵抽样树木的正反面。捕获两侧可以改善叶子、树枝或其他果实遮挡冠层部分时的覆盖率。

4. 检测并清点果实#

将图像发送进行推理。YOLO 模型识别单个果实，应用程序将这些检测结果转换为抽样树木的计数。

5. 估算产量#

将抽样计数与地块信息相结合，以估算整个果园的产量。农场团队随后可以使用该结果为商业和运营规划提供参考。

Mfruits 农场的技术总监 Youssef Sridi 描述了该应用程序的实际价值：“使用 SOWIT 的应用程序帮助我们及时、高度精确地准确估算了产量，同时节省了田间资源。”

农场团队的运营价值#

计算机视觉并不能消除对农学专业知识的需求。它为这种专业知识提供了一个更快、更一致的测量工具。

• 更具可重复性的估算： 明确的图像和抽样工作流减少了各个计数员之间的差异。
• 减少人工计数： 团队可以减少检查每棵树的时间，花更多时间根据生成的信息采取行动。
• 更早的规划： 及时的估算可以支持收获排期、人员配备、运输、仓储和销售讨论。
• 可重用的数据流程： 图像和模型结果为评估随时间推移的性能以及随着田间条件变化而改进系统奠定了基础。

这些好处取决于维持模型质量。团队应评估系统运行所在农场的数据准确性、审查故障案例，并在作物、季节、相机或运行条件发生变化时进行重新训练。

从 YOLOv5 到当今的 Ultralytics YOLO 模型#

SOWIT 的项目是使用 YOLOv5 开发的，这是 Ultralytics YOLO 系列演进中的一个重要模型。底层工作流仍然相关：准备具有代表性的数据集，训练目标检测模型，针对实际运行条件对其进行验证，并将其部署到解决明确用户问题的应用程序中。

对于新项目，Ultralytics YOLO26 是最新的稳定模型，也是推荐的起点。团队可以比较模型大小和导出格式，以选择最适合现场、边缘或云端部署的准确性、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 提供了一个工作区，用于将视觉 AI 项目从数据推进到生产。构建农业应用的团队可以使用该平台来：

• 获取并组织图像数据集。
• 标注数据并通过自动标注加速标注。
• 在云端或本地基础设施中训练 Ultralytics YOLO 模型。
• 审查模型指标并比较实验。
• 在支持的目标上部署模型进行推理。
• 监控生产工作流并使用新的田间数据不断改进模型。

这个生命周期至关重要，因为农业环境并非一成不变。在一个果园或季节训练的模型以后可能会遇到不同的品种、天气、光照、生长阶段或相机设备。保持数据集、实验、部署和监控的连贯性使这些变化更易于管理。

为农业构建实用的视觉 AI#

最强计算机视觉项目始于它们需要改进的运营决策。就 SOWIT 而言，其目标不仅仅是检测图像中的果实；而是生成农场主可以使用的及时产量估算。

规划类似系统的团队应在扩展之前定义抽样方法、成功指标、推理环境和人工审核流程。他们还应在逼真的田间条件下进行测试，包括困难的光照和部分遮挡的果实，并确认部署适用于可用的连接和硬件。

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。借助支持完整计算机视觉生命周期的现代 YOLO 模型和 Ultralytics Platform，团队可以基于该模式为农场和其他现实环境开发可维护的视觉 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。