SOWIT 如何使用 Ultralytics YOLO 实现更智能的农业

SOWIT融合农学、工程和软件技术，帮助农场根据田间数据作出更明智的决策。其一项实际应用使用 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耗时的人工流程。

该项目展示了视觉 AI 如何在围绕具体运营问题设计时为农业提供支持：采集有代表性的图像、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 与摩洛哥马拉喀什和伊明塔努特之间的一家柑橘农场开展合作。在约 180 公顷的果园中，估算树上的果实数量对于收获规划、劳动力分配、销售和物流至关重要。

传统的产量估算依赖人工清点抽样树上的果实，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有所不同。如果估算结果滞后或不一致，农场在与买家谈判和准备收获所需资源时，就缺少可靠的信息。

SOWIT 需要一种方法，既能使用农户已有的设备，又能融入田间作业，还能稳定地产出结果，无需人工逐个清点所有果实。

SOWIT 选择 Ultralytics YOLO 的原因#

SOWIT 使用 Ultralytics YOLOv5构建了原始解决方案。YOLO 模型只需一次推理即可处理图像，并返回每个检测到的物体的位置和类别。在这一应用场景中，检测对象是树上的每个果实。

目标检测非常适合这个问题，因为系统不能只判断是否存在果实，还必须在同一张图像中定位多个果实，以便统计检测数量。高效的推理也让系统能够处理大量田间图像，而不会给工作流程带来长时间延迟。

模型只是更大系统的一部分。可靠的产量估算还取决于有代表性的训练数据、一致的图像采集方式、合适的抽样方法，以及在果园实际条件下进行验证。光照、枝叶遮挡、果实大小、相机角度和作物品种都会影响性能。

SOWIT 工作流程如何运作#

SOWIT 将模型集成到 SOYFIELD 应用中，为农户提供引导式流程，帮助他们采集估算所需的信息。

1. 定义地块#

用户选择农场地块、绘制地块边界，并记录作物类型、树木数量和种植方式等相关信息。这样，每个图像样本都能关联到农场的正确区域。

2. 选择有代表性的树木#

应用会确定需要抽样的树木数量，以达到目标误差范围。结构化抽样计划有助于减少偏差，并提高不同地块和季节间结果的可比性。

3. 拍摄图像#

用户为每棵抽样树拍摄正面和背面的照片。拍摄两侧有助于覆盖树冠中被树叶、树枝或其他果实遮挡的部分。

4. 检测并统计果实#

图像会被发送进行推理。YOLO 模型识别每个果实，应用再将检测结果转换为抽样树木的果实数量。

5. 估算产量#

将抽样计数与地块信息结合起来，即可估算整个果园的产量。农场团队随后可以利用估算结果制定商业和运营计划。

Mfruits 农场技术总监 Youssef Sridi 这样描述该应用的实际价值：“使用 SOWIT 的应用帮助我们及时、精准地准确估算产量，同时节省了田间资源。”

为农场团队创造运营价值#

计算机视觉无法取代农艺专业知识，但能为专业人员提供更快速、更一致的测量工具。

• 估算结果更具可重复性：明确的图像采集和抽样流程可以减少不同清点人员之间的差异。
• 减少人工清点：团队可以减少逐棵检查树木的时间，把更多精力用于根据结果采取行动。
• 更早开展规划：及时获得的估算结果有助于安排收获、人员、运输、仓储和销售洽谈。
• 可重复使用的数据流程：图像和模型结果为长期评估性能、并在田间条件变化时改进系统奠定基础。

这些优势取决于模型质量能否得到维护。团队应使用系统实际运行农场的数据评估准确率、检查失败案例，并在作物、季节、相机或运行条件发生变化时重新训练模型。

从 YOLOv5 到如今的 Ultralytics YOLO 模型#

SOWIT 的项目基于 YOLOv5 开发。YOLOv5 是 Ultralytics YOLO 系列发展历程中的重要模型。其底层工作流程至今仍然适用：准备有代表性的数据集、训练目标检测模型、在真实运行条件下验证模型，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。团队可以比较模型尺寸和导出格式，从而选择最适合现场、边缘端或云端部署的精度、延迟和硬件兼容性组合。

使用 Ultralytics Platform 管理计算机视觉生命周期#

Ultralytics Platform提供统一的工作空间，帮助视觉 AI 项目从数据阶段走向生产环境。构建农业应用的团队可以使用 Platform 来：

• 获取并整理图像数据集。
• 使用自动标注标注数据，加快标注速度。
• 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环境中进行推理。
• 监控生产工作流程，并利用新的田间数据持续改进模型。

这一生命周期管理很重要，因为农业环境并非一成不变。针对某个果园或季节训练的模型，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、部署和监控关联起来，有助于更轻松地管理这些变化。

为农业打造实用的视觉 AI#

最优秀的计算机视觉项目始于明确需要改进的实际业务决策。对 SOWIT 来说，目标不只是检测图像中的果实，而是及时生成农户可以使用的产量估算结果。

规划类似系统的团队应在扩大规模前，明确采样方法、成功指标、推理环境和人工审核流程。团队还应在真实的田间条件下进行测试，包括光照不佳和水果部分遮挡的情况，并确认部署方案能够适配现有的网络连接和硬件。

SOWIT 的工作展示了 Ultralytics YOLO 如何将田间图像转化为实用的农业信息。借助现代 YOLO 模型以及支持完整计算机视觉生命周期的 Ultralytics Platform，团队可以借鉴这一模式，为农场和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。