{"id":11559,"date":"2025-05-04T22:58:53","date_gmt":"2025-05-04T20:58:53","guid":{"rendered":"https:\/\/geopard.tech\/?p=11559"},"modified":"2025-05-04T23:00:29","modified_gmt":"2025-05-04T21:00:29","slug":"gerstenanbau-erfahrt-einen-aufschwung-durch-die-ressourcenschonende-yolov5-erkennung","status":"publish","type":"post","link":"https:\/\/geopard.tech\/de\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","title":{"rendered":"Leichtgewichtige YOLOv5-Detektion gibt dem Gerstenanbau Auftrieb"},"content":{"rendered":"

Hochlandgerste, eine widerstandsf\u00e4hige Getreideart, die in den hochgelegenen Regionen des chinesischen Qinghai-Tibet-Plateaus angebaut wird, spielt eine entscheidende Rolle f\u00fcr die lokale Ern\u00e4hrungssicherheit und wirtschaftliche Stabilit\u00e4t. Wissenschaftlich bekannt als\u00a0Hordeum vulgare<\/em>\u00a0L. gedeiht diese Pflanze unter extremen Bedingungen - d\u00fcnne Luft, geringer Sauerstoffgehalt und eine durchschnittliche Jahrestemperatur von 6,3 \u00b0C - und ist daher f\u00fcr Gemeinschaften in rauen Umgebungen unverzichtbar.<\/p>\n

Mit \u00fcber 270.000 Hektar Anbaufl\u00e4che in China, vor allem in der autonomen Region Xizang, macht die Hochlandgerste mehr als die H\u00e4lfte der Anbaufl\u00e4che der Region und \u00fcber 70% der gesamten Getreideproduktion aus. Eine genaue \u00dcberwachung der Gerstendichte - die Anzahl der Pflanzen oder \u00c4hren pro Fl\u00e4cheneinheit - ist f\u00fcr die Optimierung landwirtschaftlicher Verfahren wie Bew\u00e4sserung und D\u00fcngung sowie f\u00fcr die Vorhersage von Ertr\u00e4gen unerl\u00e4sslich.<\/p>\n

Herk\u00f6mmliche Methoden wie manuelle Stichproben oder Satellitenaufnahmen haben sich jedoch als ineffizient, arbeitsintensiv oder unzureichend detailliert erwiesen. Um diese Herausforderungen zu bew\u00e4ltigen, haben Forscher der Fujian Agriculture and Forestry University und der Chengdu University of Technology ein innovatives KI-Modell entwickelt, das auf YOLOv5 basiert, einem hochmodernen Algorithmus zur Objekterkennung.<\/p>\n

Ihre Arbeit, ver\u00f6ffentlicht in\u00a0Pflanzliche Methoden<\/em>\u00a0(2025) erzielten bemerkenswerte Ergebnisse, darunter eine mittlere durchschnittliche Genauigkeit (mAP) von 93,1% - eine Kennzahl zur Messung der allgemeinen Erkennungsgenauigkeit - und eine Verringerung der Rechenkosten um 75,6%, was sie f\u00fcr den Einsatz von Drohnen in Echtzeit geeignet macht.<\/p>\n

Herausforderungen und Innovationen bei der \u00dcberwachung von Kulturpflanzen<\/h2>\n

Die Bedeutung der Hochlandgerste geht \u00fcber ihre Rolle als Nahrungsquelle hinaus. Allein im Jahr 2022 wurden in der Stadt Rikaze, einem wichtigen Gerstenanbaugebiet, auf 60.000 Hektar 408.900 Tonnen Gerste geerntet, was fast die H\u00e4lfte der gesamten Getreideproduktion Tibets ausmacht.<\/p>\n

Trotz ihrer kulturellen und wirtschaftlichen Bedeutung war die Sch\u00e4tzung der Gerstenertr\u00e4ge lange Zeit eine Herausforderung. Herk\u00f6mmliche Methoden wie die manuelle Z\u00e4hlung oder Satellitenbilder sind entweder zu arbeitsintensiv oder haben nicht die n\u00f6tige Aufl\u00f6sung, um einzelne Gersten\u00e4hren - den korntragenden Teil der Pflanze, der oft nur 2-3 Zentimeter breit ist - zu erkennen.<\/p>\n

Bei der manuellen Probenahme m\u00fcssen die Landwirte Abschnitte eines Feldes physisch inspizieren - ein Prozess, der langsam, subjektiv und f\u00fcr Gro\u00dfbetriebe unpraktisch ist. Satellitenbilder sind zwar f\u00fcr breit angelegte Beobachtungen n\u00fctzlich, haben aber mit einer geringen Aufl\u00f6sung (oft 10-30 Meter pro Pixel) und h\u00e4ufigen Wetterunterbrechungen zu k\u00e4mpfen, z. B. durch Wolken in Bergregionen wie Tibet.<\/p>\n

Um diese Einschr\u00e4nkungen zu \u00fcberwinden, setzten die Forscher unbemannte Luftfahrzeuge (UAVs) oder Drohnen ein, die mit 20-Megapixel-Kameras ausgestattet sind. Diese Drohnen nahmen 501 hochaufl\u00f6sende Bilder von Gerstenfeldern in Rikaze City in zwei kritischen Wachstumsstadien auf: dem Wachstumsstadium im August 2022, das durch gr\u00fcne, sich entwickelnde \u00c4hren gekennzeichnet ist, und dem Reifestadium im August 2023, das durch goldgelbe, erntereife \u00c4hren gekennzeichnet ist.<\/p>\n

\"Drohnengest\u00fctzte<\/p>\n

Die Analyse dieser Bilder war jedoch mit einigen Herausforderungen verbunden, wie z. B. unscharfe R\u00e4nder durch die Bewegung der Drohne, die geringe Gr\u00f6\u00dfe der Gersten\u00e4hren in den Luftbildern und sich \u00fcberlappende \u00c4hren in dicht bepflanzten Feldern.<\/p>\n

Um diese Probleme zu beheben, haben die Forscher die Bilder vorverarbeitet, indem sie jedes hochaufl\u00f6sende Bild in 35 kleinere Teilbilder unterteilt und unscharfe Kanten herausgefiltert haben, so dass 2.970 qualitativ hochwertige Teilbilder f\u00fcr das Training zur Verf\u00fcgung standen. Dieser Vorverarbeitungsschritt stellte sicher, dass sich das Modell auf klare, verwertbare Daten konzentrierte und Ablenkungen durch minderwertige Regionen vermieden wurden.<\/p>\n

Technische Fortschritte bei der Objekterkennung<\/h2>\n

Im Mittelpunkt dieser Forschung steht der YOLOv5-Algorithmus (You Only Look Once Version 5), ein einstufiges Objekterkennungsmodell, das f\u00fcr seine Geschwindigkeit und seinen modularen Aufbau bekannt ist. Im Gegensatz zu \u00e4lteren zweistufigen Modellen wie Faster R-CNN, bei denen zun\u00e4chst interessierende Regionen identifiziert und dann Objekte klassifiziert werden, f\u00fchrt YOLOv5 die Erkennung in einem einzigen Durchgang durch und ist damit deutlich schneller.<\/p>\n

Das YOLOv5n-Basismodell mit 1,76 Millionen Parametern (konfigurierbare Komponenten des KI-Modells) und 4,1 Milliarden FLOPs (Gleitkommaoperationen, ein Ma\u00df f\u00fcr die Rechenkomplexit\u00e4t) war bereits effizient. Die Erkennung winziger, sich \u00fcberlappender Gersten\u00e4hren erforderte jedoch weitere Optimierungen.<\/p>\n

Das Forschungsteam f\u00fchrte drei wichtige Verbesserungen des Modells ein: tiefenweise trennbare Faltung (DSConv), Geisterfaltung (GhostConv) und ein Faltungsblock-Attention-Modul (CBAM).<\/p>\n

Die tiefenweise trennbare Faltung (DSConv) reduziert die Rechenkosten, indem sie den Standardfaltungsprozess - eine mathematische Operation, die Merkmale aus Bildern extrahiert - in zwei Schritte aufteilt. Zun\u00e4chst werden bei der tiefenweisen Faltung Filter auf einzelne Farbkan\u00e4le (z. B. Rot, Gr\u00fcn, Blau) angewendet, wobei jeder Kanal separat analysiert wird.<\/p>\n

Anschlie\u00dfend erfolgt eine punktweise Faltung, bei der die Ergebnisse kanal\u00fcbergreifend mit 1\u00d71-Kernen kombiniert werden. Dieser Ansatz verringert die Anzahl der Parameter um bis zu 75%.<\/p>\n

\"Parameterreduzierung<\/p>\n

Eine herk\u00f6mmliche 3\u00d73-Faltung mit 64 Eingangs- und 128 Ausgangskan\u00e4len erfordert beispielsweise 73.728 Parameter, w\u00e4hrend DSConv diese Zahl auf nur 8.768 reduziert - eine Verringerung um 88%. Diese Effizienz ist entscheidend f\u00fcr den Einsatz von Modellen auf Drohnen oder mobilen Ger\u00e4ten mit begrenzter Rechenleistung.<\/p>\n

Ghost Convolution (GhostConv) vereinfacht das Modell weiter, indem es zus\u00e4tzliche Feature Maps - vereinfachte Darstellungen von Bildmustern - durch einfache lineare Operationen wie Rotation oder Skalierung anstelle von ressourcenintensiven Faltungen erzeugt.<\/p>\n

Herk\u00f6mmliche Faltungsschichten erzeugen redundante Merkmale und verschwenden damit Rechenressourcen. GhostConv behebt dieses Problem, indem es \u201cGeister\u201d-Features aus bestehenden Features erzeugt und die Parameter in bestimmten Schichten effektiv halbiert.<\/p>\n

Eine Schicht mit 64 Eingangs- und 128 Ausgangskan\u00e4len w\u00fcrde zum Beispiel traditionell Folgendes erfordern\u00a073.728 Parameter<\/strong>, aber GhostConv reduziert dies auf\u00a036,864<\/strong>\u00a0unter Beibehaltung der Genauigkeit. Diese Technik ist besonders n\u00fctzlich f\u00fcr die Erkennung kleiner Objekte wie Gersten\u00e4hren, bei denen die Effizienz der Berechnungen von gr\u00f6\u00dfter Bedeutung ist.<\/p>\n

Das Convolutional Block Attention Module (CBAM) wurde integriert, um dem Modell zu helfen, sich auf kritische Merkmale zu konzentrieren, selbst in un\u00fcbersichtlichen Umgebungen. Aufmerksamkeitsmechanismen, die von menschlichen visuellen Systemen inspiriert sind, erm\u00f6glichen es KI-Modellen, wichtigen Teilen eines Bildes Priorit\u00e4t einzur\u00e4umen.<\/p>\n

CBAM verwendet zwei Arten von Aufmerksamkeit: Kanalaufmerksamkeit, die wichtige Farbkan\u00e4le identifiziert (z. B. Gr\u00fcn f\u00fcr wachsende Spikes), und r\u00e4umliche Aufmerksamkeit, die Schl\u00fcsselregionen innerhalb eines Bildes hervorhebt (z. B. Cluster von Spikes). Durch den Ersatz von Standardmodulen durch DSConv und GhostConv und die Einbeziehung von CBAM schufen die Forscher ein schlankeres, pr\u00e4ziseres Modell, das auf die Gerstenerkennung zugeschnitten ist.<\/p>\n

Umsetzung und Ergebnisse<\/h2>\n

Um das Modell zu trainieren, beschrifteten die Forscher 135 Originalbilder manuell mit Bounding Boxes - rechteckigen Rahmen, die die Position der Gersten\u00e4hren markieren - und kategorisierten die\u00e4hren in Wachstums- und Reifestadien. Durch Techniken zur Datenerweiterung - einschlie\u00dflich Rotation, Rauschinjektion, Okklusion und Sch\u00e4rfung - wurde der Datensatz auf 2.970 Bilder erweitert, wodurch sich die F\u00e4higkeit des Modells zur Verallgemeinerung unter verschiedenen Feldbedingungen verbesserte.<\/p>\n

Beispielsweise half das Drehen von Bildern um 90\u00b0, 180\u00b0 oder 270\u00b0 dem Modell, Spikes aus verschiedenen Winkeln zu erkennen, w\u00e4hrend das Hinzuf\u00fcgen von Rauschen reale Unvollkommenheiten wie Staub oder Schatten simulierte. Der Datensatz wurde in einen Trainingssatz (80%) und einen Validierungssatz (20%) aufgeteilt, um eine robuste Auswertung zu gew\u00e4hrleisten.<\/p>\n

Das Training fand auf einem Hochleistungssystem mit AMD Ryzen 7 CPU, NVIDIA RTX 4060 GPU und 64 GB RAM statt, wobei das PyTorch-Framework - ein beliebtes Tool f\u00fcr Deep Learning - verwendet wurde. \u00dcber 300 Trainingsepochen (vollst\u00e4ndige Durchl\u00e4ufe des Datensatzes) wurden die Pr\u00e4zision (Genauigkeit der korrekten Erkennungen), der Recall (F\u00e4higkeit, alle relevanten Spikes zu finden) und der Verlust (Fehlerrate) des Modells genauestens verfolgt.<\/p>\n

Die Ergebnisse waren beeindruckend. Das verbesserte YOLOv5-Modell erreichte eine Genauigkeit von 92,2% (gegen\u00fcber 89,1% im Basismodell) und eine Wiederauffindbarkeit von 86,2% (gegen\u00fcber 83,1%) und \u00fcbertraf damit das Basismodell YOLOv5n in beiden Metriken um 3,1%. Die mittlere durchschnittliche Pr\u00e4zision (mAP) - eine umfassende Metrik, die die Erkennungsgenauigkeit \u00fcber alle Kategorien hinweg mittelt - erreichte 93,1%, mit Einzelergebnissen von 92,7% f\u00fcr Spikes im Wachstumsstadium und 93,5% f\u00fcr Spikes im Reifungsstadium.<\/p>\n

\"YOLOv5<\/p>\n

Ebenso beeindruckend war seine Recheneffizienz: Die Parameter des Modells sanken um 70,6% auf 1,2 Millionen und die FLOPs um 75,6% auf 3,1 Milliarden. Vergleichende Analysen mit f\u00fchrenden Modellen wie Faster R-CNN und YOLOv8n unterstrichen seine \u00dcberlegenheit.<\/p>\n

W\u00e4hrend YOLOv8n eine etwas h\u00f6here mAP (93,8%) erreichte, waren seine Parameter (3,0 Millionen) und FLOPs (8,1 Milliarden) 2,5x bzw. 2,6x h\u00f6her, wodurch das vorgeschlagene Modell f\u00fcr Echtzeitanwendungen weitaus effizienter ist.<\/p>\n

Visuelle Vergleiche untermauerten diese Fortschritte. In den Bildern des Wachstumsstadiums erkannte das verbesserte Modell 41 Spikes im Vergleich zu 28 Spikes des Basismodells. W\u00e4hrend der Reifung erkannte es 3 Spikes im Vergleich zu 2 Spikes des Basismodells, wobei weniger Fehlerkennungen (markiert durch orangefarbene Pfeile) und falsch-positive Ergebnisse (markiert durch lila Pfeile) auftraten.<\/p>\n

Diese Verbesserungen sind entscheidend f\u00fcr Landwirte, die auf genaue Daten angewiesen sind, um Ertr\u00e4ge vorherzusagen und Ressourcen zu optimieren. Genaue \u00c4hrenz\u00e4hlungen erm\u00f6glichen zum Beispiel bessere Sch\u00e4tzungen der Getreideproduktion und liefern Informationen f\u00fcr Entscheidungen \u00fcber Erntezeitpunkt, Lagerung und Marktplanung.<\/p>\n

Zuk\u00fcnftige Richtungen und praktische Implikationen<\/h2>\n

Trotz des Erfolges r\u00e4umte die Studie Einschr\u00e4nkungen ein. Die Leistung lie\u00df bei extremen Lichtverh\u00e4ltnissen nach, z. B. bei grellem Mittagsblendlicht oder starken Schatten, die Details der Spikes verdecken k\u00f6nnen. Au\u00dferdem passten die rechteckigen Bounding Boxes manchmal nicht zu den unregelm\u00e4\u00dfig geformten Spikes, was zu kleineren Ungenauigkeiten f\u00fchrte.<\/p>\n

Das Modell schloss auch unscharfe Kanten von UAV-Bildern aus, was eine manuelle Vorverarbeitung erforderte - ein Schritt, der Zeit und Komplexit\u00e4t bedeutet.<\/p>\n

Zuk\u00fcnftige Arbeiten zielen darauf ab, diese Probleme zu l\u00f6sen, indem der Datensatz um Bilder erweitert wird, die in der Morgen-, Mittags- und Abendd\u00e4mmerung aufgenommen wurden, indem mit polygonf\u00f6rmigen Anmerkungen experimentiert wird (flexible Formen, die besser zu unregelm\u00e4\u00dfigen Objekten passen), und indem Algorithmen entwickelt werden, die unscharfe Regionen ohne manuelle Eingriffe besser behandeln.<\/p>\n

Die Auswirkungen dieser Forschung sind tiefgreifend. F\u00fcr Landwirte in Regionen wie Tibet bietet das Modell eine Echtzeit-Ertragssch\u00e4tzung, die arbeitsintensive manuelle Z\u00e4hlungen durch dronenbasierte Automatisierung ersetzt. Die Unterscheidung zwischen den Wachstumsstadien erm\u00f6glicht eine pr\u00e4zise Ernteplanung, wodurch Verluste durch verfr\u00fchte oder versp\u00e4tete Ernte reduziert werden.<\/p>\n

Detaillierte Daten \u00fcber die \u00c4hrendichte - z. B. zur Identifizierung von unter- oder \u00fcberbesiedelten Gebieten - k\u00f6nnen Informationen \u00fcber Bew\u00e4sserungs- und D\u00fcngestrategien liefern und so die Verschwendung von Wasser und Chemikalien reduzieren. Die leichtgewichtige Architektur ist nicht nur f\u00fcr Gerste, sondern auch f\u00fcr andere Kulturpflanzen wie Weizen, Reis oder Obst vielversprechend und ebnet den Weg f\u00fcr breitere Anwendungen in der Pr\u00e4zisionslandwirtschaft.<\/p>\n

Schlussfolgerung<\/h2>\n

Zusammenfassend l\u00e4sst sich sagen, dass diese Studie ein Beispiel f\u00fcr das transformative Potenzial der KI bei der Bew\u00e4ltigung landwirtschaftlicher Herausforderungen ist. Durch die Verfeinerung von YOLOv5 mit innovativen, leichtgewichtigen Techniken haben die Forscher ein Werkzeug geschaffen, das ein Gleichgewicht zwischen Genauigkeit und Effizienz herstellt - entscheidend f\u00fcr den realen Einsatz in ressourcenbeschr\u00e4nkten Umgebungen.<\/p>\n

Begriffe wie mAP, FLOPs und Aufmerksamkeitsmechanismen m\u00f6gen technisch anmuten, aber ihre Wirkung ist zutiefst praktisch: Sie erm\u00f6glichen es den Landwirten, datengest\u00fctzte Entscheidungen zu treffen, Ressourcen zu schonen und ihre Ertr\u00e4ge zu maximieren. Angesichts des Klimawandels und des Bev\u00f6lkerungswachstums, die den Druck auf die globalen Nahrungsmittelsysteme erh\u00f6hen, werden solche Fortschritte unverzichtbar sein.<\/p>\n

F\u00fcr die Landwirte in Tibet und dar\u00fcber hinaus bedeutet diese Technologie nicht nur einen Sprung in der landwirtschaftlichen Effizienz, sondern auch einen Hoffnungsschimmer f\u00fcr eine nachhaltige Ern\u00e4hrungssicherheit in einer ungewissen Zukunft.<\/p>\n

Referenz: <\/strong>Cai, M., Deng, H., Cai, J. et al. Lightweight highland barley detection based on improved YOLOv5. Plant Methods 21, 42 (2025). https:\/\/doi.org\/10.1186\/s13007-025-01353-0<\/a><\/p>","protected":false},"excerpt":{"rendered":"

Die Hochlandgerste, eine robuste Getreideart, die in den Hochgebirgsregionen des chinesischen Qinghai-Tibet-Plateaus angebaut wird, spielt eine entscheidende Rolle f\u00fcr die lokale Ern\u00e4hrungssicherheit und Wirtschaft\u2026<\/p>","protected":false},"author":210157960,"featured_media":11562,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_wpcom_ai_launchpad_first_post":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1657,1660,1377],"tags":[],"class_list":["post-11559","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-precision-farming","category-agriculture-mapping","category-crop-monitoring"],"acf":[],"yoast_head":"\nBarley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/de\/blog\/gerstenanbau-erfahrt-einen-aufschwung-durch-die-ressourcenschonende-yolov5-erkennung\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Highland barley, a resilient cereal crop grown in the high-altitude regions of China\u2019s Qinghai-Tibet Plateau, plays a critical role in local food security and economic...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/de\/blog\/gerstenanbau-erfahrt-einen-aufschwung-durch-die-ressourcenschonende-yolov5-erkennung\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2025-05-04T20:58:53+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2025-05-04T21:00:29+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection-1024x576.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1024\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"dementievgeopard\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"8\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"},\"author\":{\"name\":\"dementievgeopard\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\"},\"headline\":\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection\",\"datePublished\":\"2025-05-04T20:58:53+00:00\",\"dateModified\":\"2025-05-04T21:00:29+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"},\"wordCount\":1570,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1\",\"articleSection\":[\"Precision Farming\",\"Agriculture Mapping\",\"Crop monitoring\"],\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\",\"name\":\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1\",\"datePublished\":\"2025-05-04T20:58:53+00:00\",\"dateModified\":\"2025-05-04T21:00:29+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2025\\\/05\\\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1\",\"width\":3120,\"height\":1755,\"caption\":\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/07\\\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1\",\"width\":512,\"height\":68,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\",\"https:\\\/\\\/www.youtube.com\\\/channel\\\/UCiaPGLAhRPNh-s85dXdC-Sw\",\"https:\\\/\\\/www.g2.com\\\/products\\\/geopard-agriculture-precision-farming-software\\\/reviews\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g\",\"caption\":\"dementievgeopard\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Gerstenanbau profitiert von der leichten YOLOv5-Erkennung \u2013 GeoPard Agriculture","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/de\/blog\/gerstenanbau-erfahrt-einen-aufschwung-durch-die-ressourcenschonende-yolov5-erkennung\/","og_locale":"de_DE","og_type":"article","og_title":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard Agriculture","og_description":"Highland barley, a resilient cereal crop grown in the high-altitude regions of China\u2019s Qinghai-Tibet Plateau, plays a critical role in local food security and economic...","og_url":"https:\/\/geopard.tech\/de\/blog\/gerstenanbau-erfahrt-einen-aufschwung-durch-die-ressourcenschonende-yolov5-erkennung\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2025-05-04T20:58:53+00:00","article_modified_time":"2025-05-04T21:00:29+00:00","og_image":[{"width":1024,"height":576,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection-1024x576.png","type":"image\/png"}],"author":"dementievgeopard","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Verfasst von":"dementievgeopard","Gesch\u00e4tzte Lesezeit":"8\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"},"author":{"name":"dementievgeopard","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a"},"headline":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection","datePublished":"2025-05-04T20:58:53+00:00","dateModified":"2025-05-04T21:00:29+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"},"wordCount":1570,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1","articleSection":["Precision Farming","Agriculture Mapping","Crop monitoring"],"inLanguage":"de","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","url":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","name":"Gerstenanbau profitiert von der leichten YOLOv5-Erkennung \u2013 GeoPard Agriculture","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1","datePublished":"2025-05-04T20:58:53+00:00","dateModified":"2025-05-04T21:00:29+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"]}]},{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1","width":3120,"height":1755,"caption":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard - Pr\u00e4zisionslandwirtschaftssoftware","description":"Pr\u00e4zisionslandwirtschaft Kartierungssoftware","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Landwirtschaft","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/07\/geopard_logo_transparentbackground.png?fit=512%2C68&ssl=1","width":512,"height":68,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/","https:\/\/www.youtube.com\/channel\/UCiaPGLAhRPNh-s85dXdC-Sw","https:\/\/www.g2.com\/products\/geopard-agriculture-precision-farming-software\/reviews"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"Demenzgefahr","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/7c09adac9c20b00454199df5a41ea67c812a6c97e948bf109899836ddde31354?s=96&d=identicon&r=g","caption":"dementievgeopard"}}]}},"jetpack_publicize_connections":[],"jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-30r","jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2025\/05\/Barley-Farming-Gets-a-Boost-With-Lightweight-YOLOv5-Detection.png?fit=3120%2C1755&ssl=1","_links":{"self":[{"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/posts\/11559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/comments?post=11559"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/posts\/11559\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/media\/11562"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/media?parent=11559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/categories?post=11559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/de\/wp-json\/wp\/v2\/tags?post=11559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}