{"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":"el-cultivo-de-cebada-recibe-un-impulso-con-la-deteccion-ligera-de-yolov5","status":"publish","type":"post","link":"https:\/\/geopard.tech\/es\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","title":{"rendered":"El cultivo de cebada recibe un impulso con la detecci\u00f3n ligera YOLOv5."},"content":{"rendered":"

La cebada de las tierras altas, un cultivo de cereal resistente que se cultiva en las regiones de gran altitud de la meseta Qinghai-T\u00edbet de China, desempe\u00f1a un papel fundamental en la seguridad alimentaria local y la estabilidad econ\u00f3mica. Conocida cient\u00edficamente como\u00a0Hordeum vulgare<\/em>\u00a0Este cultivo, conocido como L., prospera en condiciones extremas (aire enrarecido, bajos niveles de ox\u00edgeno y una temperatura media anual de 6,3 \u00b0C), lo que lo hace indispensable para las comunidades que viven en entornos dif\u00edciles.<\/p>\n

Con m\u00e1s de 270\u00a0000 hect\u00e1reas dedicadas a su cultivo en China, principalmente en la Regi\u00f3n Aut\u00f3noma de Xizang, la cebada de altura representa m\u00e1s de la mitad de la superficie cultivada de la regi\u00f3n y m\u00e1s de 701 TP3T de su producci\u00f3n total de grano. El monitoreo preciso de la densidad de la cebada \u2014el n\u00famero de plantas o espigas por unidad de superficie\u2014 es esencial para optimizar las pr\u00e1cticas agr\u00edcolas, como el riego y la fertilizaci\u00f3n, y predecir los rendimientos.<\/p>\n

Sin embargo, los m\u00e9todos tradicionales, como el muestreo manual o las im\u00e1genes satelitales, han demostrado ser ineficientes, laboriosos o insuficientemente detallados. Para abordar estos desaf\u00edos, investigadores de la Universidad Agr\u00edcola y Forestal de Fujian y la Universidad Tecnol\u00f3gica de Chengdu desarrollaron un innovador modelo de IA basado en YOLOv5, un algoritmo de detecci\u00f3n de objetos de vanguardia.<\/p>\n

Su trabajo, publicado en\u00a0M\u00e9todos de planta<\/em>\u00a0(2025), logr\u00f3 resultados notables, incluyendo una precisi\u00f3n media promedio (mAP) de 93,1%, una m\u00e9trica que mide la precisi\u00f3n general de detecci\u00f3n, y una reducci\u00f3n de 75,6% en los costos computacionales, lo que lo hace adecuado para despliegues de drones en tiempo real.<\/p>\n

Desaf\u00edos e innovaciones en el monitoreo de cultivos<\/h2>\n

La importancia de la cebada de las tierras altas va m\u00e1s all\u00e1 de su funci\u00f3n como fuente de alimento. Tan solo en 2022, la ciudad de Rikaze, una importante regi\u00f3n productora de cebada, cosech\u00f3 408.900 toneladas de cebada en 60.000 hect\u00e1reas, lo que represent\u00f3 casi la mitad de la producci\u00f3n total de cereales del T\u00edbet.<\/p>\n

A pesar de su importancia cultural y econ\u00f3mica, estimar el rendimiento de la cebada ha sido durante mucho tiempo un desaf\u00edo. Los m\u00e9todos tradicionales, como el conteo manual o las im\u00e1genes satelitales, son demasiado laboriosos o carecen de la resoluci\u00f3n necesaria para detectar las espigas individuales de cebada, la parte de la planta que contiene el grano, que a menudo mide solo 2 o 3 cent\u00edmetros de ancho.<\/p>\n

El muestreo manual exige que los agricultores inspeccionen f\u00edsicamente secciones de un campo, un proceso lento, subjetivo y poco pr\u00e1ctico para explotaciones agr\u00edcolas de gran tama\u00f1o. Las im\u00e1genes satelitales, si bien son \u00fatiles para observaciones generales, presentan problemas debido a su baja resoluci\u00f3n (a menudo de 10 a 30 metros por p\u00edxel) y a las frecuentes perturbaciones meteorol\u00f3gicas, como la nubosidad en regiones monta\u00f1osas como el T\u00edbet.<\/p>\n

Para superar estas limitaciones, los investigadores recurrieron a veh\u00edculos a\u00e9reos no tripulados (VANT), o drones, equipados con c\u00e1maras de 20 megap\u00edxeles. Estos drones capturaron 501 im\u00e1genes de alta resoluci\u00f3n de campos de cebada en la ciudad de Rikaze durante dos etapas cr\u00edticas de crecimiento: la etapa de crecimiento en agosto de 2022, caracterizada por espigas verdes en desarrollo, y la etapa de maduraci\u00f3n en agosto de 2023, marcada por espigas de color amarillo dorado, listas para la cosecha.<\/p>\n

\"Monitoreo<\/p>\n

Sin embargo, el an\u00e1lisis de estas im\u00e1genes plante\u00f3 dificultades, como los bordes borrosos causados por el movimiento del dron, el peque\u00f1o tama\u00f1o de las espigas de cebada en las vistas a\u00e9reas y la superposici\u00f3n de espigas en campos densamente sembrados.<\/p>\n

Para abordar estos problemas, los investigadores preprocesaron las im\u00e1genes dividiendo cada imagen de alta resoluci\u00f3n en 35 subim\u00e1genes m\u00e1s peque\u00f1as y filtrando los bordes borrosos, lo que dio como resultado 2970 subim\u00e1genes de alta calidad para el entrenamiento. Este paso de preprocesamiento garantiz\u00f3 que el modelo se centrara en datos claros y \u00fatiles, evitando distracciones causadas por regiones de baja calidad.<\/p>\n

Avances t\u00e9cnicos en la detecci\u00f3n de objetos<\/h2>\n

El elemento central de esta investigaci\u00f3n es el algoritmo YOLOv5 (You Only Look Once versi\u00f3n 5), un modelo de detecci\u00f3n de objetos de una sola etapa conocido por su velocidad y dise\u00f1o modular. A diferencia de los modelos m\u00e1s antiguos de dos etapas, como Faster R-CNN, que primero identifican las regiones de inter\u00e9s y luego clasifican los objetos, YOLOv5 realiza la detecci\u00f3n en una sola pasada, lo que lo hace significativamente m\u00e1s r\u00e1pido.<\/p>\n

El modelo base YOLOv5n, con 1,76 millones de par\u00e1metros (componentes configurables del modelo de IA) y 4100 millones de FLOPs (operaciones de coma flotante, una medida de la complejidad computacional), ya era eficiente. Sin embargo, la detecci\u00f3n de peque\u00f1as espigas de cebada superpuestas requer\u00eda una mayor optimizaci\u00f3n.<\/p>\n

El equipo de investigaci\u00f3n introdujo tres mejoras clave en el modelo: convoluci\u00f3n separable en profundidad (DSConv), convoluci\u00f3n fantasma (GhostConv) y un m\u00f3dulo de atenci\u00f3n de bloques convolucionales (CBAM).<\/p>\n

La convoluci\u00f3n separable en profundidad (DSConv) reduce los costos computacionales al dividir el proceso de convoluci\u00f3n est\u00e1ndar \u2014una operaci\u00f3n matem\u00e1tica que extrae caracter\u00edsticas de las im\u00e1genes\u2014 en dos pasos. Primero, la convoluci\u00f3n en profundidad aplica filtros a los canales de color individuales (por ejemplo, rojo, verde, azul), analizando cada canal por separado.<\/p>\n

A continuaci\u00f3n, se realiza una convoluci\u00f3n punto a punto, que combina los resultados de todos los canales utilizando n\u00facleos de 1\u00d71. Este m\u00e9todo reduce el n\u00famero de par\u00e1metros hasta en 75%.<\/p>\n

\"Reducci\u00f3n<\/p>\n

Por ejemplo, una convoluci\u00f3n tradicional de 3\u00d73 con 64 canales de entrada y 128 de salida requiere 73\u00a0728 par\u00e1metros, mientras que DSConv los reduce a tan solo 8\u00a0768, lo que supone una reducci\u00f3n de 88%. Esta eficiencia es fundamental para implementar modelos en drones o dispositivos m\u00f3viles con capacidad de procesamiento limitada.<\/p>\n

La convoluci\u00f3n fantasma (GhostConv) aligera a\u00fan m\u00e1s el modelo al generar mapas de caracter\u00edsticas adicionales (representaciones simplificadas de patrones de imagen) mediante operaciones lineales simples, como rotaci\u00f3n o escalado, en lugar de convoluciones que consumen muchos recursos.<\/p>\n

Las capas de convoluci\u00f3n tradicionales generan caracter\u00edsticas redundantes, lo que supone un desperdicio de recursos computacionales. GhostConv soluciona este problema creando caracter\u00edsticas "fantasma" a partir de las existentes, reduciendo as\u00ed a la mitad los par\u00e1metros en ciertas capas.<\/p>\n

Por ejemplo, una capa con 64 canales de entrada y 128 canales de salida tradicionalmente requerir\u00eda\u00a073.728 par\u00e1metros<\/strong>, pero GhostConv lo reduce a\u00a036,864<\/strong>\u00a0manteniendo la precisi\u00f3n. Esta t\u00e9cnica es especialmente \u00fatil para detectar objetos peque\u00f1os como las espigas de cebada, donde la eficiencia computacional es primordial.<\/p>\n

El m\u00f3dulo de atenci\u00f3n de bloques convolucionales (CBAM) se integr\u00f3 para ayudar al modelo a centrarse en las caracter\u00edsticas cr\u00edticas, incluso en entornos complejos. Los mecanismos de atenci\u00f3n, inspirados en los sistemas visuales humanos, permiten a los modelos de IA priorizar las partes importantes de una imagen.<\/p>\n

CBAM emplea dos tipos de atenci\u00f3n: atenci\u00f3n de canal, que identifica canales de color importantes (por ejemplo, el verde para detectar espigas en crecimiento), y atenci\u00f3n espacial, que resalta regiones clave dentro de una imagen (por ejemplo, grupos de espigas). Al reemplazar los m\u00f3dulos est\u00e1ndar con DSConv y GhostConv e incorporar CBAM, los investigadores crearon un modelo m\u00e1s eficiente y preciso, dise\u00f1ado espec\u00edficamente para la detecci\u00f3n de cebada.<\/p>\n

Implementaci\u00f3n y resultados<\/h2>\n

Para entrenar el modelo, los investigadores etiquetaron manualmente 135 im\u00e1genes originales utilizando cuadros delimitadores (marcos rectangulares que marcan la ubicaci\u00f3n de las espigas de cebada), clasific\u00e1ndolas seg\u00fan su etapa de crecimiento o maduraci\u00f3n. Las t\u00e9cnicas de aumento de datos (que incluyen rotaci\u00f3n, inyecci\u00f3n de ruido, oclusi\u00f3n y nitidez) ampliaron el conjunto de datos a 2970 im\u00e1genes, mejorando as\u00ed la capacidad del modelo para generalizar en diversas condiciones de campo.<\/p>\n

Por ejemplo, rotar las im\u00e1genes 90\u00b0, 180\u00b0 o 270\u00b0 ayud\u00f3 al modelo a reconocer picos desde diferentes \u00e1ngulos, mientras que a\u00f1adir ruido simul\u00f3 imperfecciones del mundo real, como polvo o sombras. El conjunto de datos se dividi\u00f3 en un conjunto de entrenamiento (80%) y un conjunto de validaci\u00f3n (20%), lo que garantiz\u00f3 una evaluaci\u00f3n s\u00f3lida.<\/p>\n

El entrenamiento se realiz\u00f3 en un sistema de alto rendimiento con una CPU AMD Ryzen 7, una GPU NVIDIA RTX 4060 y 64 GB de RAM, utilizando el framework PyTorch, una herramienta popular para el aprendizaje profundo. Durante m\u00e1s de 300 \u00e9pocas de entrenamiento (recorridos completos por el conjunto de datos), se realiz\u00f3 un seguimiento meticuloso de la precisi\u00f3n del modelo (exactitud de las detecciones correctas), la exhaustividad (capacidad para encontrar todos los picos relevantes) y la p\u00e9rdida (tasa de error).<\/p>\n

Los resultados fueron sorprendentes. El modelo YOLOv5 mejorado alcanz\u00f3 una precisi\u00f3n de 92,21 TP3T (frente a 89,11 TP3T en el modelo de referencia) y una exhaustividad de 86,21 TP3T (frente a 83,11 TP3T), superando al modelo de referencia YOLOv5n en 3,11 TP3T en ambas m\u00e9tricas. Su precisi\u00f3n media promedio (mAP), una m\u00e9trica integral que promedia la precisi\u00f3n de detecci\u00f3n en todas las categor\u00edas, alcanz\u00f3 93,11 TP3T, con puntuaciones individuales de 92,71 TP3T para los picos en etapa de crecimiento y 93,51 TP3T para los picos en etapa de maduraci\u00f3n.<\/p>\n

\"Resultados<\/p>\n

Igualmente impresionante fue su eficiencia computacional: los par\u00e1metros del modelo se redujeron en 70,6% hasta alcanzar 1,2 millones, y las operaciones de punto flotante (FLOPs) disminuyeron en 75,6% hasta los 3.100 millones. Los an\u00e1lisis comparativos con modelos l\u00edderes como Faster R-CNN y YOLOv8n pusieron de manifiesto su superioridad.<\/p>\n

Si bien YOLOv8n logr\u00f3 un mAP ligeramente superior (93,8%), sus par\u00e1metros (3,0 millones) y FLOPs (8,1 mil millones) fueron 2,5 y 2,6 veces superiores, respectivamente, lo que hace que el modelo propuesto sea mucho m\u00e1s eficiente para aplicaciones en tiempo real.<\/p>\n

Las comparaciones visuales pusieron de manifiesto estos avances. En las im\u00e1genes de la fase de crecimiento, el modelo mejorado detect\u00f3 41 picos frente a los 28 del modelo de referencia. Durante la maduraci\u00f3n, identific\u00f3 3 picos frente a los 2 del modelo de referencia, con menos detecciones fallidas (marcadas con flechas naranjas) y falsos positivos (marcados con flechas moradas).<\/p>\n

Estas mejoras son vitales para los agricultores que dependen de datos precisos para predecir los rendimientos y optimizar los recursos. Por ejemplo, el conteo preciso de espigas permite mejores estimaciones de la producci\u00f3n de grano, lo que facilita la toma de decisiones sobre el momento de la cosecha, el almacenamiento y la planificaci\u00f3n del mercado.<\/p>\n

Direcciones futuras e implicaciones pr\u00e1cticas<\/h2>\n

A pesar de su \u00e9xito, el estudio reconoci\u00f3 algunas limitaciones. El rendimiento disminuy\u00f3 en condiciones de iluminaci\u00f3n extremas, como el intenso resplandor del mediod\u00eda o las sombras profundas, que pueden ocultar los detalles de las p\u00faas. Adem\u00e1s, en ocasiones, los cuadros delimitadores rectangulares no se ajustaban correctamente a las p\u00faas de forma irregular, lo que generaba peque\u00f1as imprecisiones.<\/p>\n

El modelo tambi\u00e9n excluy\u00f3 los bordes borrosos de las im\u00e1genes de los drones, lo que requiere un preprocesamiento manual, un paso que a\u00f1ade tiempo y complejidad.<\/p>\n

Los trabajos futuros pretenden abordar estos problemas ampliando el conjunto de datos para incluir im\u00e1genes capturadas al amanecer, al mediod\u00eda y al atardecer, experimentando con anotaciones en forma de pol\u00edgono (formas flexibles que se adaptan mejor a objetos irregulares) y desarrollando algoritmos para gestionar mejor las regiones borrosas sin intervenci\u00f3n manual.<\/p>\n

Las implicaciones de esta investigaci\u00f3n son profundas. Para los agricultores de regiones como el T\u00edbet, el modelo ofrece una estimaci\u00f3n del rendimiento en tiempo real, sustituyendo los recuentos manuales, que requieren mucha mano de obra, por la automatizaci\u00f3n mediante drones. La distinci\u00f3n entre las diferentes etapas de crecimiento permite una planificaci\u00f3n precisa de la cosecha, reduciendo las p\u00e9rdidas derivadas de una cosecha prematura o tard\u00eda.<\/p>\n

Los datos detallados sobre la densidad de espigas \u2014como la identificaci\u00f3n de \u00e1reas con baja o alta densidad de plantas\u2014 pueden orientar las estrategias de riego y fertilizaci\u00f3n, reduciendo el desperdicio de agua y productos qu\u00edmicos. Adem\u00e1s de la cebada, esta estructura ligera resulta prometedora para otros cultivos, como el trigo, el arroz o las frutas, lo que abre la puerta a aplicaciones m\u00e1s amplias en la agricultura de precisi\u00f3n.<\/p>\n

Conclusi\u00f3n<\/h2>\n

En conclusi\u00f3n, este estudio ejemplifica el potencial transformador de la IA para abordar los desaf\u00edos agr\u00edcolas. Mediante el perfeccionamiento de YOLOv5 con t\u00e9cnicas innovadoras y ligeras, los investigadores han creado una herramienta que equilibra precisi\u00f3n y eficiencia, aspectos cruciales para su implementaci\u00f3n pr\u00e1ctica en entornos con recursos limitados.<\/p>\n

T\u00e9rminos como mAP, FLOPs y mecanismos de atenci\u00f3n pueden parecer t\u00e9cnicos, pero su impacto es profundamente pr\u00e1ctico: permiten a los agricultores tomar decisiones basadas en datos, conservar recursos y maximizar los rendimientos. A medida que el cambio clim\u00e1tico y el crecimiento demogr\u00e1fico intensifican la presi\u00f3n sobre los sistemas alimentarios mundiales, estos avances ser\u00e1n indispensables.<\/p>\n

Para los agricultores del T\u00edbet y de otras regiones, esta tecnolog\u00eda representa no solo un gran avance en la eficiencia agr\u00edcola, sino tambi\u00e9n un faro de esperanza para la seguridad alimentaria sostenible en un futuro incierto.<\/p>\n

Referencia: <\/strong>Cai, M., Deng, H., Cai, J. et al. Detecci\u00f3n ligera de cebada de tierras altas basada en YOLOv5 mejorado. Plant Methods 21, 42 (2025). https:\/\/doi.org\/10.1186\/s13007-025-01353-0<\/a><\/p>","protected":false},"excerpt":{"rendered":"

La cebada de las tierras altas, un cultivo de cereal resistente que se cultiva en las regiones de gran altitud de la meseta Qinghai-T\u00edbet de China, desempe\u00f1a un papel fundamental en la seguridad alimentaria local y la econom\u00eda...<\/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_hide_featured_image":false,"_jetpack_featured_image_duplicate_dismissed":0,"_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<\/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\/es\/blog\/el-cultivo-de-cebada-recibe-un-impulso-con-la-deteccion-ligera-de-yolov5\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard\" \/>\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\/es\/blog\/el-cultivo-de-cebada-recibe-un-impulso-con-la-deteccion-ligera-de-yolov5\/\" \/>\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=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutos\" \/>\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\":\"es\",\"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\",\"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\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@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\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@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\":\"es\",\"@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":"El cultivo de cebada recibe un impulso con la detecci\u00f3n ligera YOLOv5 - GeoPard","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\/es\/blog\/el-cultivo-de-cebada-recibe-un-impulso-con-la-deteccion-ligera-de-yolov5\/","og_locale":"es_ES","og_type":"article","og_title":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection - GeoPard","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\/es\/blog\/el-cultivo-de-cebada-recibe-un-impulso-con-la-deteccion-ligera-de-yolov5\/","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":{"Escrito por":"dementievgeopard","Tiempo de lectura":"8 minutos"},"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":"es","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":"El cultivo de cebada recibe un impulso con la detecci\u00f3n ligera YOLOv5 - GeoPard","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":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"]}]},{"@type":"ImageObject","inLanguage":"es","@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 - Software para agricultura de precisi\u00f3n","description":"Software de mapeo para agricultura de precisi\u00f3n","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":"es"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Agricultura","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"es","@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":"es","@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\/es\/wp-json\/wp\/v2\/posts\/11559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/comments?post=11559"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/posts\/11559\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/media\/11562"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/media?parent=11559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/categories?post=11559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/es\/wp-json\/wp\/v2\/tags?post=11559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}