农业中的计算机视觉
从作物监测到野生动物保护，在数天内构建农业和牲畜管理领域的实时计算机视觉解决方案。
深受全球领先组织信赖
Ultralytics YOLO 如何助力农业
为您量身打造的实时 AI
专为田间、农场和牲畜运营而构建。Ultralytics YOLO 增强了工作流程，通过利用现有基础设施，实现精准、快速且可投入生产的计算机视觉。
- 即插即用部署：以极低的开销进行部署，将集成时间缩短至数天。
- 检测精度：在农作物、牲畜、害虫和设备方面实现顶尖的实时检测。
- 低于 5 毫秒的推理速度：支持边缘、云端或本地部署，并提供 19 种导出格式。
- 数小时内投入生产：标注、训练和部署，缩短产品上市时间。
体验 YOLO26 推理
拖放一张图像以查看实时目标检测
农业各个阶段的视觉 AI
为你的生产流程的每个阶段量身定制的解决方案。
害虫防治
利用 Ultralytics YOLO 扩展害虫检测能力
利用 Ultralytics YOLO 和最新的检测、分割及分类模型，在各个季节、各种农作物和农田中实时识别害虫、病害和虫害。
- 实时准确性：尽早发现害虫和疾病暴发。
- 全面的 AI 任务覆盖：检测、分割、分类、姿态、OBB。
- 训练灵活性：在几分钟内即可针对任何害虫或农作物微调 YOLO。
利用视觉 AI 变革行业
从工厂车间到手术室，Ultralytics 将视觉数据转化为实时决策。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提高检测准确率，减少误报，并优化实时威胁监控。
Prezent 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，从而提高安全性。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提高检测准确率，减少误报，并优化实时威胁监控。
Prezent 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，从而提高安全性。
SOHGA 借助 Ultralytics YOLO 将停车场监控时间缩短了 30%
了解 SOHGA 的 MEGURU 系统如何使用 Ultralytics YOLO26 实现停车场巡逻自动化，将巡逻时间缩短 30%，并提升安全性。
Scaleout 借助 Ultralytics YOLO 将模型更新时间从数周缩短至数小时
了解 Scaleout 如何利用 Ultralytics YOLO 和联邦学习在边缘设备上微调 AI 模型，同时确保敏感数据的安全。
RapiD Engineering 使用 Ultralytics YOLO 将海鲜质量控制的部署速度提高了 1 周
了解 RapiD Engineering 如何使用 Ultralytics YOLO 实现鲑鱼检查自动化，实时检测缺陷，并节省了一周的工程工作量。
Project Ocean Oasis 利用 Ultralytics YOLO 推进珊瑚礁保护
了解 Project Ocean Oasis 如何使用 Ultralytics YOLO、边缘 AI 和自主监控系统来扩展珊瑚礁保护和海洋智能。
Volley 利用 Ultralytics YOLO 为超过 250 个场上 AI 教练提供支持
“真正棒的是，该模型在训练器的边缘硬件上能实现极佳的实时性能，而且我们可以在云端使用同一个模型来运行完全相同的工作流。”
WG Tech Solutions 通过 Ultralytics YOLO 和 Axelera 的 AI 加速器将安全违规行为减少了 28%
了解 WG Tech Solutions 如何利用 Ultralytics YOLO 和 Axelera 的 AI 加速器将制造业的安全违规行为减少了 28%
Stride 使用 Ultralytics YOLO 提供 1 分钟的马匹步态分析
了解 Stride 如何利用 Ultralytics YOLO 模型进行马匹姿态估计，在不到 1 分钟内完成全面的步态分析。
Pixelabs 通过 Ultralytics YOLO 驱动的自动化实现了 95% 的召回率
了解 Pixelabs 如何利用 Ultralytics YOLO 模型自动化工作流程并实现 95% 的召回率。
SiteAssist 通过 Ultralytics YOLO 处理超过 77 万张图像来改善现场安全
了解 SiteAssist 如何利用 Ultralytics YOLO 模型改善施工现场安全。
Chef Robotics 使用 Ultralytics YOLO 将食品损耗降低了 67%
探索 Chef Robotics 如何利用 Ultralytics YOLO 模型实现精准的食品装配。
Cali Intelligence 使用 Ultralytics YOLO 将结账排队时间缩短了 43%
探索 Cali Intelligence 如何使用 Ultralytics YOLO 模型通过目标检测来缩短零售结账队列。
MarineSitu 使用 Ultralytics YOLO 在水下监测中实现 96%+ 的正常运行时间
了解 MarineSitu 如何使用 Ultralytics YOLO 改变水下目标检测方式。
Theia Scientific 使用 Ultralytics YOLO 将显微镜分析速度提高了 43 倍
了解 Theia Scientific 如何使用 Ultralytics YOLO 重新定义显微镜数据分析。
eSmart Systems 使用 Ultralytics YOLO 将电力巡检时间缩短了一半
了解 eSmart Systems 如何使用 Ultralytics YOLO 提高缺陷检测速度并实现电力巡检转型。
Axelera AI 使用 Ultralytics YOLO 实现 34 FPS 的边缘 AI 推理
了解 Axelera AI 如何使用 Ultralytics YOLO 在 Metis AI 芯片上实现快速、准确且高效的边缘视觉。
STMicroelectronics 在 MCU 上运行 Ultralytics YOLO，每次推理仅需 9.4 mJ
了解 STMicroelectronics 如何高效地在低功耗微控制器上部署 Ultralytics YOLO 模型，以在边缘侧实现精确的实时推理。
Specialvideo 使用 Ultralytics YOLO 实现了 99% 的食品检测准确率
了解 Specialvideo 如何使用 Ultralytics YOLO 模型为实时 AI 食品检测提供动力，从而确保质量、减少浪费并提高效率。
Vivity AI 通过 Ultralytics YOLO 每年在工业运营中节省超过 500 万美元
了解 Vivity AI 如何利用 Ultralytics YOLO 模型加强工业自动化，提高效率，减少停机时间并确保工作场所安全。
Videologic Analytics 通过 Ultralytics YOLO 扩展至 1 万个 AI 摄像头许可证
了解 Videologic Analytics 如何集成 Ultralytics YOLO 模型以增强视频监控，提高检测准确率，减少误报，并优化实时威胁监控。
Prezent 使用 Ultralytics YOLO 将幻灯片检测准确率提高了 34%
了解 Prezent 如何利用 Ultralytics YOLO 模型自动化幻灯片元素检测，在保持结构和设计的同时将处理时间缩短至 10 秒以内。
ALYCE 通过 Ultralytics YOLO 将交通 AI 推理速度提升了 20%
了解 ALYCE 如何使用 Ultralytics YOLO 模型来提高数据准确性、优化城市交通，并为可持续发展的智慧城市构建人工智能驱动的交通解决方案。
Kiwitron 使用 Ultralytics YOLO 在 30 米外检测工业危险
探索 Kiwitron 如何在其 KewiEye 解决方案中使用 Ultralytics YOLO 模型来检测和应对工业危险，从而提高安全性。
常见问题解答
农业中的计算机视觉利用摄像头和 AI 模型来监测作物、检测病虫害、跟踪牲畜、引导自动机械并估算产量。Ultralytics YOLO 模型在田间、温室和畜舍中实时运行这些检查，即时标记杂草、生病动物或作物压力等问题。
农业计算机视觉使用 AI 模型来解释来自无人机、地面摄像头、机器人和卫星的视觉数据，从而实现作物监测、牲畜福利检查和精准农业任务的自动化。Ultralytics YOLO26 使用深度学习来识别基于规则的系统所遗漏的细微差异，无需重新设计设置即可适应新的作物、动物和田间条件。
农业视觉系统结合了摄像头、传感器和软件来捕获图像并将其转化为决策，从而识别杂草、清点牲畜、监测生长阶段并发现疾病。现代系统将此硬件与 Ultralytics YOLO 等 AI 模型配对，以便在不断变化的光照、天气和季节条件下实现灵活的识别。
对于农业运营，请寻找一个能够针对您的特定作物、牲畜或设备进行模型训练，并部署到田间边缘设备以进行低延迟推理的平台。Ultralytics Platform 在一处涵盖了标注、训练和部署，并提供用于生产用途的企业许可。
是的。户外表现取决于训练数据，而不仅仅是模型。Ultralytics YOLO 模型基于种植者在不同天气和光照条件下的自身图像进行训练，能够可靠地处理阳光刺眼、灰尘和雨天。在患病样本中加入健康作物的背景图像，可以减少阴影和土壤带来的误报。
是的。大多数农业部署在离线状态下运行，因为田间往往缺乏可靠的互联网连接。Ultralytics YOLO26 可以导出为适配 Jetson 和 Raspberry Pi 等边缘硬件的格式，因此模型可以在没有网络连接的情况下在拖拉机、无人机和田间传感器上运行。企业许可 涵盖生产用途。