{"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":"ohranviljely-saa-vauhtia-kevyella-yolov5-tunnistuksella","status":"publish","type":"post","link":"https:\/\/geopard.tech\/fin\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","title":{"rendered":"Ohranviljely saa vauhtia kevyell\u00e4 YOLOv5-tunnistuksella"},"content":{"rendered":"

Yl\u00e4maan ohra, Kiinan Qinghain-Tiibetin yl\u00e4ng\u00f6n korkealla sijaitsevilla alueilla viljelt\u00e4v\u00e4 kest\u00e4v\u00e4 viljakasvi, on ratkaisevassa roolissa paikallisessa ruokaturvassa ja taloudellisessa vakaudessa. Tieteellisesti se tunnetaan nimell\u00e4\u00a0Hordeum vulgare<\/em>\u00a0L., t\u00e4m\u00e4 viljelykasvi viihtyy \u00e4\u00e4rimm\u00e4isiss\u00e4 olosuhteissa \u2013 ohuessa ilmassa, alhaisissa happipitoisuuksissa ja 6,3 \u00b0C:n keskil\u00e4mp\u00f6tilassa vuodessa \u2013 mik\u00e4 tekee siit\u00e4 korvaamattoman yhteis\u00f6ille ankarissa ymp\u00e4rist\u00f6iss\u00e4.<\/p>\n

Yl\u00e4maan ohraa viljell\u00e4\u00e4n Kiinassa yli 270 000 hehtaarilla, p\u00e4\u00e4asiassa Xizangin autonomisella alueella. Yl\u00e4maan ohra muodostaa yli puolet alueen kylv\u00f6alasta ja yli 701 TP3 t sen kokonaisviljatuotannosta. Ohran tiheyden \u2013 taimien tai t\u00e4hkien lukum\u00e4\u00e4r\u00e4n pinta-alayksikk\u00f6\u00e4 kohti \u2013 tarkka seuranta on v\u00e4ltt\u00e4m\u00e4t\u00f6nt\u00e4 maatalousk\u00e4yt\u00e4nt\u00f6jen, kuten kastelun ja lannoituksen, optimoimiseksi ja satojen ennustamiseksi.<\/p>\n

Perinteiset menetelm\u00e4t, kuten manuaalinen n\u00e4ytteenotto tai satelliittikuvaus, ovat kuitenkin osoittautuneet tehottomaksi, ty\u00f6voimavaltaiseksi tai riitt\u00e4m\u00e4tt\u00f6m\u00e4n yksityiskohtaiseksi. N\u00e4iden haasteiden ratkaisemiseksi Fujianin maatalous- ja mets\u00e4talousyliopiston sek\u00e4 Chengdun teknillisen yliopiston tutkijat kehittiv\u00e4t innovatiivisen teko\u00e4lymallin, joka perustuu YOLOv5-algoritmiin, joka on huippuluokan objektien tunnistusalgoritmi.<\/p>\n

Heid\u00e4n ty\u00f6ns\u00e4, joka julkaistiin\u00a0Kasvimenetelm\u00e4t<\/em>\u00a0(2025) saavutti merkitt\u00e4vi\u00e4 tuloksia, mukaan lukien 93,1%:n keskiarvon tarkkuuden (mAP) \u2013 mittarin, joka mittaa kokonaisilmaisutarkkuutta \u2013 ja 75,6%:n laskun laskentakustannuksissa, mik\u00e4 tekee siit\u00e4 sopivan reaaliaikaisiin dronejen k\u00e4ytt\u00f6\u00f6nottoihin.<\/p>\n

Haasteet ja innovaatiot sadon seurannassa<\/h2>\n

Yl\u00e4maan ohran merkitys ulottuu sen pelk\u00e4n ravinnonl\u00e4hteen lis\u00e4ksi. Pelk\u00e4st\u00e4\u00e4n vuonna 2022 Rikaze City, merkitt\u00e4v\u00e4 ohrantuotantoalue, korjasi 408 900 tonnia ohraa 60 000 hehtaarin alueella, mik\u00e4 oli l\u00e4hes puolet Tiibetin viljan kokonaistuotannosta.<\/p>\n

Kulttuurisesta ja taloudellisesta merkityksest\u00e4\u00e4n huolimatta ohran satojen arviointi on pitk\u00e4\u00e4n ollut haastavaa. Perinteiset menetelm\u00e4t, kuten manuaalinen laskenta tai satelliittikuvat, ovat joko liian ty\u00f6l\u00e4it\u00e4 tai niilt\u00e4 puuttuu tarvittava tarkkuus yksitt\u00e4isten ohran t\u00e4hkien \u2013 kasvin jyvi\u00e4 kantavien osien, jotka ovat usein vain 2\u20133 senttimetri\u00e4 leveit\u00e4 \u2013 havaitsemiseksi.<\/p>\n

Manuaalinen n\u00e4ytteenotto edellytt\u00e4\u00e4 viljelij\u00f6ilt\u00e4 pelto-osien fyysist\u00e4 tarkastamista \u2013 prosessi, joka on hidas, subjektiivinen ja ep\u00e4k\u00e4yt\u00e4nn\u00f6llinen suurille tiloille. Satelliittikuvat, vaikka ne ovatkin hy\u00f6dyllisi\u00e4 laajoihin havaintoihin, kamppailevat alhaisen resoluution (usein 10\u201330 metri\u00e4 pikseli\u00e4 kohden) ja toistuvien s\u00e4\u00e4h\u00e4iri\u00f6iden, kuten pilvipeitteen, kanssa vuoristoalueilla, kuten Tiibetiss\u00e4.<\/p>\n

N\u00e4iden rajoitusten voittamiseksi tutkijat turvautuivat miehitt\u00e4m\u00e4tt\u00f6miin ilma-aluksiin (UAV) eli droneihin, joissa oli 20 megapikselin kamerat. N\u00e4m\u00e4 dronet ottivat 501 korkearesoluutioista kuvaa Rikaze Cityn ohrapelloista kahden kriittisen kasvuvaiheen aikana: kasvuvaiheessa elokuussa 2022, jolle ovat ominaisia vihre\u00e4t, kehittyv\u00e4t t\u00e4hdet, ja kypsymisvaiheessa elokuussa 2023, jolle ovat ominaisia kullankeltaiset, sadonkorjuuvalmiit t\u00e4hdet.<\/p>\n

\"Droonipohjainen<\/p>\n

N\u00e4iden kuvien analysointi kuitenkin toi mukanaan haasteita, kuten dronejen liikkeen aiheuttamat ep\u00e4selv\u00e4t reunat, ohran t\u00e4hkien pieni koko ilmakuvissa ja p\u00e4\u00e4llekk\u00e4iset t\u00e4hk\u00e4t tihe\u00e4sti istutetuilla pelloilla.<\/p>\n

N\u00e4iden ongelmien ratkaisemiseksi tutkijat esik\u00e4sitteliv\u00e4t kuvat jakamalla jokaisen korkean resoluution kuvan 35 pienemp\u00e4\u00e4n osakuvaan ja suodattamalla pois ep\u00e4selv\u00e4t reunat, jolloin saatiin 2 970 korkealaatuista osakuvaa koulutusta varten. T\u00e4m\u00e4 esik\u00e4sittelyvaihe varmisti, ett\u00e4 malli keskittyi selke\u00e4\u00e4n ja toimivaan dataan, v\u00e4ltt\u00e4en heikkolaatuisten alueiden aiheuttamat h\u00e4iri\u00f6tekij\u00e4t.<\/p>\n

Tekniset edistysaskeleet objektien havaitsemisessa<\/h2>\n

Keskeist\u00e4 t\u00e4ss\u00e4 tutkimuksessa on YOLOv5-algoritmi (You Only Look Once version 5), yksivaiheinen objektien tunnistusmalli, joka tunnetaan nopeudestaan ja modulaarisesta rakenteestaan. Toisin kuin vanhemmat kaksivaiheiset mallit, kuten Faster R-CNN, jotka ensin tunnistavat kiinnostuksen kohteena olevat alueet ja sitten luokittelevat objektit, YOLOv5 suorittaa tunnistuksen yhdell\u00e4 kertaa, mik\u00e4 tekee siit\u00e4 huomattavasti nopeamman.<\/p>\n

YOLOv5n-perusmalli, jossa oli 1,76 miljoonaa parametria (teko\u00e4lymallin konfiguroitavia komponentteja) ja 4,1 miljardia FLOPia (liukulukuoperaatioita, laskennallisen monimutkaisuuden mittari), oli jo tehokas. Pienten, p\u00e4\u00e4llekk\u00e4isten ohrapiikkien havaitseminen vaati kuitenkin lis\u00e4optimointia.<\/p>\n

Tutkimusryhm\u00e4 esitteli malliin kolme keskeist\u00e4 parannusta: syvyyssuunnassa erotettavan konvoluution (DSConv), haamukonvoluution (GhostConv) ja konvoluutiolohkohuomiomoduulin (CBAM).<\/p>\n

Syvyyssuuntainen eroteltava konvoluutio (DSConv) v\u00e4hent\u00e4\u00e4 laskentakustannuksia jakamalla standardin konvoluutioprosessin \u2013 matemaattisen operaation, joka poimii kuvista ominaisuuksia \u2013 kahteen vaiheeseen. Ensinn\u00e4kin syvyyssuuntainen konvoluutio kohdistaa suodattimia yksitt\u00e4isiin v\u00e4rikanaviin (esim. punainen, vihre\u00e4, sininen) ja analysoi jokaisen kanavan erikseen.<\/p>\n

T\u00e4t\u00e4 seuraa pistekohtainen konvoluutio, jossa yhdistet\u00e4\u00e4n tulokset kanavien v\u00e4lill\u00e4 k\u00e4ytt\u00e4en 1\u00d71-ytimi\u00e4. T\u00e4m\u00e4 l\u00e4hestymistapa v\u00e4hent\u00e4\u00e4 parametrien m\u00e4\u00e4r\u00e4\u00e4 jopa 75%.<\/p>\n

\"Parametrin<\/p>\n

Esimerkiksi perinteinen 3\u00d73-konvoluutio, jossa on 64 tulo- ja 128 l\u00e4ht\u00f6kanavaa, vaatii 73 728 parametria, kun taas DSConv v\u00e4hent\u00e4\u00e4 t\u00e4m\u00e4n vain 8 768:aan \u2013 88%-v\u00e4hennys. T\u00e4m\u00e4 tehokkuus on kriittist\u00e4 mallien k\u00e4ytt\u00f6\u00f6notossa droneissa tai mobiililaitteissa, joiden prosessointiteho on rajallinen.<\/p>\n

Haamukonvoluutio (GhostConv) kevent\u00e4\u00e4 mallia entisest\u00e4\u00e4n luomalla lis\u00e4\u00e4 ominaisuuskarttoja \u2013 yksinkertaistettuja kuvakuvioiden esityksi\u00e4 \u2013 yksinkertaisten lineaaristen operaatioiden, kuten kiert\u00e4misen tai skaalaamisen, avulla resursseja kuluttavien konvoluutioiden sijaan.<\/p>\n

Perinteiset konvoluutiokerrokset tuottavat tarpeettomia ominaisuuksia, jotka tuhlaavat laskentaresursseja. GhostConv ratkaisee t\u00e4m\u00e4n luomalla "haamu"-ominaisuuksia olemassa olevista, mik\u00e4 k\u00e4yt\u00e4nn\u00f6ss\u00e4 puolittaa parametrit tietyiss\u00e4 kerroksissa.<\/p>\n

Esimerkiksi kerros, jossa on 64 tulo- ja 128 l\u00e4ht\u00f6kanavaa, vaatisi perinteisesti\u00a073 728 parametria<\/strong>, mutta GhostConv supistaa t\u00e4m\u00e4n muotoon\u00a036,864<\/strong>\u00a0s\u00e4ilytt\u00e4en samalla tarkkuuden. T\u00e4m\u00e4 tekniikka on erityisen hy\u00f6dyllinen pienten kohteiden, kuten ohranpiikkien, havaitsemisessa, jossa laskennallinen tehokkuus on ensiarvoisen t\u00e4rke\u00e4\u00e4.<\/p>\n

Konvoluutiolohkojen tarkkaavaisuusmoduuli (CBAM) integroitiin auttamaan mallia keskittym\u00e4\u00e4n kriittisiin ominaisuuksiin jopa t\u00e4ynn\u00e4 olevissa ymp\u00e4rist\u00f6iss\u00e4. Ihmisen visuaalisista j\u00e4rjestelmist\u00e4 inspiroituneet tarkkaavaisuusmekanismit mahdollistavat teko\u00e4lymallien priorisoida kuvan t\u00e4rkeit\u00e4 osia.<\/p>\n

CBAM k\u00e4ytt\u00e4\u00e4 kahdenlaisia huomioita: kanavahuomiota, joka tunnistaa t\u00e4rke\u00e4t v\u00e4rikanavat (esim. vihre\u00e4 kasvaville piikkien osille), ja spatiaalista huomioita, joka korostaa kuvan keskeisi\u00e4 alueita (esim. piikkirypp\u00e4it\u00e4). Korvaamalla vakiomoduulit DSConv- ja GhostConv-moduuleilla ja sis\u00e4llytt\u00e4m\u00e4ll\u00e4 CBAM:n tutkijat loivat virtaviivaisemman ja tarkemman mallin, joka on r\u00e4\u00e4t\u00e4l\u00f6ity ohran havaitsemiseen.<\/p>\n

Toteutus ja tulokset<\/h2>\n

Mallin kouluttamiseksi tutkijat merkitsiv\u00e4t manuaalisesti 135 alkuper\u00e4ist\u00e4 kuvaa k\u00e4ytt\u00e4m\u00e4ll\u00e4 rajaavia laatikoita \u2013 suorakaiteen muotoisia kehyksi\u00e4, jotka merkitsev\u00e4t ohranpiikkien sijainnin \u2013 ja luokittelemalla piikkien kasvu- ja kypsymisvaiheisiin. Tiedon lis\u00e4ystekniikat \u2013 kuten kiert\u00e4minen, kohinan injektointi, peitt\u00e4minen ja ter\u00e4v\u00f6itt\u00e4minen \u2013 laajensivat tietojoukkoa 2 970 kuvaan, mik\u00e4 paransi mallin kyky\u00e4 yleist\u00e4\u00e4 erilaisissa kentt\u00e4olosuhteissa.<\/p>\n

Esimerkiksi kuvien kiert\u00e4minen 90\u00b0, 180\u00b0 tai 270\u00b0 auttoi mallia tunnistamaan piikkej\u00e4 eri kulmista, samalla kun kohinan lis\u00e4\u00e4minen simuloi tosiel\u00e4m\u00e4n ep\u00e4t\u00e4ydellisyyksi\u00e4, kuten p\u00f6ly\u00e4 tai varjoja. Aineisto jaettiin harjoitusjoukkoon (80%) ja validointijoukkoon (20%), mik\u00e4 varmisti luotettavan arvioinnin.<\/p>\n

Koulutus tapahtui tehokkaalla j\u00e4rjestelm\u00e4ss\u00e4, jossa oli AMD Ryzen 7 -suoritin, NVIDIA RTX 4060 -n\u00e4yt\u00f6nohjain ja 64 Gt RAM-muistia, k\u00e4ytt\u00e4en PyTorch-kehyst\u00e4 \u2013 suosittua syv\u00e4oppimisen ty\u00f6kalua. Yli 300 koulutusepookkia (t\u00e4ydelliset l\u00e4pik\u00e4ynnit tietojoukon l\u00e4pi), mallin tarkkuutta (oikeiden havaintojen tarkkuus), palautumiskyky\u00e4 (kyky l\u00f6yt\u00e4\u00e4 kaikki olennaiset piikit) ja h\u00e4vikki\u00e4 (virheprosentti) seurattiin huolellisesti.<\/p>\n

Tulokset olivat silmiinpist\u00e4vi\u00e4. Parannettu YOLOv5-malli saavutti tarkkuuden 92,2% (nousu l\u00e4ht\u00f6tilanteen 89,1%:st\u00e4) ja havaittavuuden 86,2%:n (nousu l\u00e4ht\u00f6tilanteen 83,1%:st\u00e4), ylitt\u00e4en l\u00e4ht\u00f6tilanteen YOLOv5n:n 3,1%:ll\u00e4 molemmissa mittareissa. Sen keskim\u00e4\u00e4r\u00e4inen tarkkuus (mAP) \u2013 kattava mittari, joka laskee keskiarvon havaitsemistarkkuudelle kaikissa luokissa \u2013 oli 93,1%, yksitt\u00e4isten pistem\u00e4\u00e4rien ollessa 92,7% kasvuvaiheen piikkien ja 93,5% kypsymisvaiheen piikkien osalta.<\/p>\n

\"YOLOv5-mallin<\/p>\n

Yht\u00e4 vaikuttavaa oli sen laskennallinen tehokkuus: mallin parametrit laskivat 70,6%:ll\u00e4 1,2 miljoonaan, ja FLOP-arvot laskivat 75,6%:ll\u00e4 3,1 miljardiin. Vertailuanalyysit johtavien mallien, kuten Faster R-CNN:n ja YOLOv8n:n, kanssa korostivat sen paremmuutta.<\/p>\n

Vaikka YOLOv8n saavutti hieman korkeamman mAP:n (93,8%), sen parametrit (3,0 miljoonaa) ja FLOPit (8,1 miljardia) olivat vastaavasti 2,5- ja 2,6-kertaiset, mik\u00e4 tekee ehdotetusta mallista huomattavasti tehokkaamman reaaliaikaisissa sovelluksissa.<\/p>\n

Visuaaliset vertailut korostivat n\u00e4it\u00e4 edistysaskeleita. Kasvuvaiheen kuvissa parannettu malli havaitsi 41 piikki\u00e4 verrattuna l\u00e4ht\u00f6tilanteen 28:aan. Kypsymisen aikana se tunnisti 3 piikki\u00e4 verrattuna l\u00e4ht\u00f6tilanteen 2:een, ja havaitsematta j\u00e4\u00e4neit\u00e4 merkkej\u00e4 (merkitty oransseilla nuolilla) ja v\u00e4\u00e4ri\u00e4 positiivisia tuloksia (merkitty violeteilla nuolilla) oli v\u00e4hemm\u00e4n.<\/p>\n

N\u00e4m\u00e4 parannukset ovat elint\u00e4rkeit\u00e4 viljelij\u00f6ille, jotka luottavat tarkkaan dataan satojen ennustamisessa ja resurssien optimoinnissa. Esimerkiksi tarkat t\u00e4hk\u00e4laskennat mahdollistavat paremman arvion viljantuotannosta, mik\u00e4 auttaa tekem\u00e4\u00e4n p\u00e4\u00e4t\u00f6ksi\u00e4 sadonkorjuun ajoituksesta, varastoinnista ja markkinasuunnittelusta.<\/p>\n

Tulevaisuuden suunnat ja k\u00e4yt\u00e4nn\u00f6n vaikutukset<\/h2>\n

Menestyksest\u00e4 huolimatta tutkimuksessa tunnustettiin rajoitukset. Suorituskyky heikkeni \u00e4\u00e4rimm\u00e4isiss\u00e4 valaistusolosuhteissa, kuten kovassa keskip\u00e4iv\u00e4n h\u00e4ik\u00e4isyss\u00e4 tai voimakkaissa varjoissa, jotka voivat peitt\u00e4\u00e4 piikkien yksityiskohdat. Lis\u00e4ksi suorakaiteen muotoiset rajaavat laatikot eiv\u00e4t aina sopineet ep\u00e4s\u00e4\u00e4nn\u00f6llisen muotoisiin piikkeihin, mik\u00e4 aiheutti pieni\u00e4 ep\u00e4tarkkuuksia.<\/p>\n

Malli poisti my\u00f6s miehitt\u00e4m\u00e4tt\u00f6mien ilma-alusten kuvista ep\u00e4selv\u00e4t reunat, mik\u00e4 vaati manuaalista esik\u00e4sittely\u00e4 \u2013 vaihe, joka lis\u00e4\u00e4 aikaa ja monimutkaisuutta.<\/p>\n

Tulevassa ty\u00f6ss\u00e4 pyrit\u00e4\u00e4n ratkaisemaan n\u00e4it\u00e4 ongelmia laajentamalla tietojoukkoa kattamaan aamunkoitteessa, keskip\u00e4iv\u00e4ll\u00e4 ja h\u00e4m\u00e4r\u00e4ss\u00e4 otetut kuvat, kokeilemalla monikulmion muotoisia merkint\u00f6j\u00e4 (joustavia muotoja, jotka sopivat paremmin ep\u00e4s\u00e4\u00e4nn\u00f6llisiin kohteisiin) ja kehitt\u00e4m\u00e4ll\u00e4 algoritmeja ep\u00e4tarkkojen alueiden k\u00e4sittelemiseksi paremmin ilman manuaalisia toimia.<\/p>\n

T\u00e4m\u00e4n tutkimuksen vaikutukset ovat syv\u00e4lliset. Tiibetin kaltaisten alueiden viljelij\u00f6ille malli tarjoaa reaaliaikaisen sadon arvioinnin ja korvaa ty\u00f6l\u00e4iden manuaalisten laskelmien tekemisen drone-pohjaisella automaatiolla. Kasvuvaiheiden erottaminen mahdollistaa tarkan sadonkorjuun suunnittelun ja v\u00e4hent\u00e4\u00e4 ennenaikaisen tai viiv\u00e4styneen sadonkorjuun aiheuttamia tappioita.<\/p>\n

Yksityiskohtaiset tiedot piikkien tiheydest\u00e4 \u2013 kuten alikansoitettujen tai ylikansoitettujen alueiden tunnistaminen \u2013 voivat auttaa kastelu- ja lannoitusstrategioissa, mik\u00e4 v\u00e4hent\u00e4\u00e4 veden ja kemikaalien hukkaa. Ohran lis\u00e4ksi kevyt arkkitehtuuri on lupaava muillekin viljelykasveille, kuten vehn\u00e4lle, riisille tai hedelmille, ja se avaa tien laajemmille sovelluksille t\u00e4sm\u00e4viljelyss\u00e4.<\/p>\n

Johtop\u00e4\u00e4t\u00f6s<\/h2>\n

Yhteenvetona voidaan todeta, ett\u00e4 t\u00e4m\u00e4 tutkimus havainnollistaa teko\u00e4lyn mullistavaa potentiaalia maatalouden haasteiden ratkaisemisessa. Jalostamalla YOLOv5:t\u00e4 innovatiivisilla kevyill\u00e4 tekniikoilla tutkijat ovat luoneet ty\u00f6kalun, joka tasapainottaa tarkkuuden ja tehokkuuden \u2013 mik\u00e4 on kriittist\u00e4 tosiel\u00e4m\u00e4n k\u00e4ytt\u00f6\u00f6notossa resurssirajoitteisissa ymp\u00e4rist\u00f6iss\u00e4.<\/p>\n

Termit kuten mAP, FLOP ja huomiomekanismit saattavat vaikuttaa teknisilt\u00e4, mutta niiden vaikutus on eritt\u00e4in k\u00e4yt\u00e4nn\u00f6llinen: ne mahdollistavat viljelij\u00f6ille datal\u00e4ht\u00f6isten p\u00e4\u00e4t\u00f6sten tekemisen, resurssien s\u00e4\u00e4st\u00e4misen ja satojen maksimoimisen. Ilmastonmuutoksen ja v\u00e4est\u00f6nkasvun lis\u00e4tess\u00e4 painetta maailmanlaajuisissa ruokaj\u00e4rjestelmiss\u00e4 t\u00e4llaiset edistysaskeleet ovat v\u00e4ltt\u00e4m\u00e4tt\u00f6mi\u00e4.<\/p>\n

Tiibetin ja muiden maiden maanviljelij\u00f6ille t\u00e4m\u00e4 teknologia ei edusta pelk\u00e4st\u00e4\u00e4n loikkaa maatalouden tehokkuudessa, vaan my\u00f6s toivon majakkaa kest\u00e4v\u00e4lle ruokaturvalle ep\u00e4varmassa tulevaisuudessa.<\/p>\n

Viite: <\/strong>Cai, M., Deng, H., Cai, J. ym. Kevyt yl\u00e4maan ohran tunnistus parannetun YOLOv5:n perusteella. Plant Methods 21, 42 (2025). https:\/\/doi.org\/10.1186\/s13007-025-01353-0<\/a><\/p>","protected":false},"excerpt":{"rendered":"

Yl\u00e4maan ohra, Kiinan Qinghain-Tiibetin yl\u00e4ng\u00f6n korkealla sijaitsevilla alueilla viljelt\u00e4v\u00e4 kest\u00e4v\u00e4 viljakasvi, on ratkaisevassa roolissa paikallisessa ruokaturvassa ja taloudellisessa\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\/fin\/blogi\/ohranviljely-saa-vauhtia-kevyella-yolov5-tunnistuksella\/\" \/>\n<meta property=\"og:locale\" content=\"fi_FI\" \/>\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\/fin\/blogi\/ohranviljely-saa-vauhtia-kevyella-yolov5-tunnistuksella\/\" \/>\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=\"Kirjoittanut\" \/>\n\t<meta name=\"twitter:data1\" content=\"dementievgeopard\" \/>\n\t<meta name=\"twitter:label2\" content=\"Arvioitu lukuaika\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minuuttia\" \/>\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\":\"fi\",\"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\":\"fi\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@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\":\"fi\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"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\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/dd217733c742620adc57befbbcd84a8a\",\"name\":\"dementievgeopard\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fi\",\"@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":"Ohranviljely saa vauhtia kevyell\u00e4 YOLOv5-tunnistuksella - 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\/fin\/blogi\/ohranviljely-saa-vauhtia-kevyella-yolov5-tunnistuksella\/","og_locale":"fi_FI","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\/fin\/blogi\/ohranviljely-saa-vauhtia-kevyella-yolov5-tunnistuksella\/","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":{"Kirjoittanut":"dementievgeopard","Arvioitu lukuaika":"8 minuuttia"},"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":"fi","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":"Ohranviljely saa vauhtia kevyell\u00e4 YOLOv5-tunnistuksella - 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":"fi","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"]}]},{"@type":"ImageObject","inLanguage":"fi","@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 - T\u00e4sm\u00e4viljelyohjelmisto","description":"Tarkkuusviljelyn kartoitusohjelmisto","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":"fi"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Maatalous","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fi","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"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\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/dd217733c742620adc57befbbcd84a8a","name":"dementiageopardi","image":{"@type":"ImageObject","inLanguage":"fi","@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\/fin\/wp-json\/wp\/v2\/posts\/11559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/users\/210157960"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/comments?post=11559"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/posts\/11559\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media\/11562"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/media?parent=11559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/categories?post=11559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fin\/wp-json\/wp\/v2\/tags?post=11559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}