{"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":"la-culture-de-lorge-beneficie-dun-coup-de-pouce-grace-a-la-detection-legere-de-yolov5","status":"publish","type":"post","link":"https:\/\/geopard.tech\/fr\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","title":{"rendered":"La culture de l'orge b\u00e9n\u00e9ficie d'un coup de pouce gr\u00e2ce \u00e0 la d\u00e9tection l\u00e9g\u00e8re YOLOv5"},"content":{"rendered":"

L'orge de montagne, une c\u00e9r\u00e9ale r\u00e9sistante cultiv\u00e9e dans les r\u00e9gions de haute altitude du plateau Qinghai-Tibet en Chine, joue un r\u00f4le essentiel dans la s\u00e9curit\u00e9 alimentaire et la stabilit\u00e9 \u00e9conomique locales. Connue scientifiquement sous le nom de\u00a0Hordeum vulgare<\/em>\u00a0L., cette culture prosp\u00e8re dans des conditions extr\u00eames - air rar\u00e9fi\u00e9, faibles niveaux d'oxyg\u00e8ne et temp\u00e9rature annuelle moyenne de 6,3\u00b0C - ce qui la rend indispensable pour les communaut\u00e9s vivant dans des environnements difficiles.<\/p>\n

Avec plus de 270 000 hectares consacr\u00e9s \u00e0 sa culture en Chine, principalement dans la r\u00e9gion autonome du Xizang, l'orge de montagne repr\u00e9sente plus de la moiti\u00e9 de la superficie plant\u00e9e de la r\u00e9gion et plus de 70% de sa production totale de c\u00e9r\u00e9ales. Un suivi pr\u00e9cis de la densit\u00e9 de l'orge - le nombre de plantes ou d'\u00e9pis par unit\u00e9 de surface - est essentiel pour optimiser les pratiques agricoles, telles que l'irrigation et la fertilisation, et pour pr\u00e9voir les rendements.<\/p>\n

Cependant, les m\u00e9thodes traditionnelles telles que l'\u00e9chantillonnage manuel ou l'imagerie satellite se sont r\u00e9v\u00e9l\u00e9es inefficaces, laborieuses ou insuffisamment d\u00e9taill\u00e9es. Pour relever ces d\u00e9fis, des chercheurs de l'universit\u00e9 d'agriculture et de sylviculture de Fujian et de l'universit\u00e9 de technologie de Chengdu ont d\u00e9velopp\u00e9 un mod\u00e8le d'IA innovant bas\u00e9 sur YOLOv5, un algorithme de d\u00e9tection d'objets \u00e0 la pointe de la technologie.<\/p>\n

Leurs travaux, publi\u00e9s dans\u00a0M\u00e9thodes pour les plantes<\/em>\u00a0(2025), a obtenu des r\u00e9sultats remarquables, notamment une pr\u00e9cision moyenne de 93,1% (mAP) - une mesure de l'exactitude globale de la d\u00e9tection - et une r\u00e9duction de 75,6% des co\u00fbts de calcul, ce qui le rend adapt\u00e9 aux d\u00e9ploiements de drones en temps r\u00e9el.<\/p>\n

D\u00e9fis et innovations en mati\u00e8re de surveillance des cultures<\/h2>\n

L'importance de l'orge des hauts plateaux va au-del\u00e0 de son r\u00f4le de source alimentaire. Rien qu'en 2022, la ville de Rikaze, une importante r\u00e9gion productrice d'orge, a r\u00e9colt\u00e9 408 900 tonnes d'orge sur 60 000 hectares, contribuant ainsi \u00e0 pr\u00e8s de la moiti\u00e9 de la production totale de c\u00e9r\u00e9ales du Tibet.<\/p>\n

Malgr\u00e9 son importance culturelle et \u00e9conomique, l'estimation des rendements de l'orge a longtemps \u00e9t\u00e9 un d\u00e9fi. Les m\u00e9thodes traditionnelles, telles que le comptage manuel ou l'imagerie par satellite, n\u00e9cessitent trop de travail ou n'ont pas la r\u00e9solution n\u00e9cessaire pour d\u00e9tecter les \u00e9pis d'orge individuels - la partie de la plante qui porte le grain - qui ne mesurent souvent que 2 \u00e0 3 centim\u00e8tres de large.<\/p>\n

L'\u00e9chantillonnage manuel exige des agriculteurs qu'ils inspectent physiquement des sections d'un champ - un processus lent, subjectif et peu pratique pour les exploitations \u00e0 grande \u00e9chelle. L'imagerie satellitaire, bien qu'utile pour des observations g\u00e9n\u00e9rales, est confront\u00e9e \u00e0 une faible r\u00e9solution (souvent de 10 \u00e0 30 m\u00e8tres par pixel) et \u00e0 des perturbations m\u00e9t\u00e9orologiques fr\u00e9quentes, telles que la couverture nuageuse dans les r\u00e9gions montagneuses comme le Tibet.<\/p>\n

Pour surmonter ces limites, les chercheurs se sont tourn\u00e9s vers des v\u00e9hicules a\u00e9riens sans pilote (UAV), ou drones, \u00e9quip\u00e9s d'appareils photo de 20 m\u00e9gapixels. Ces drones ont captur\u00e9 501 images haute r\u00e9solution de champs d'orge \u00e0 Rikaze City \u00e0 deux stades de croissance critiques : le stade de croissance en ao\u00fbt 2022, caract\u00e9ris\u00e9 par des \u00e9pis verts en d\u00e9veloppement, et le stade de maturation en ao\u00fbt 2023, marqu\u00e9 par des \u00e9pis jaune d'or pr\u00eats \u00e0 \u00eatre r\u00e9colt\u00e9s.<\/p>\n

\"Surveillance<\/p>\n

Cependant, l'analyse de ces images a pos\u00e9 des probl\u00e8mes, notamment les bords flous caus\u00e9s par les mouvements du drone, la petite taille des \u00e9pis d'orge dans les vues a\u00e9riennes et le chevauchement des \u00e9pis dans les champs dens\u00e9ment plant\u00e9s.<\/p>\n

Pour r\u00e9soudre ces probl\u00e8mes, les chercheurs ont pr\u00e9trait\u00e9 les images en divisant chaque image haute r\u00e9solution en 35 sous-images plus petites et en filtrant les bords flous, ce qui a permis d'obtenir 2 970 sous-images de haute qualit\u00e9 pour l'entra\u00eenement. Cette \u00e9tape de pr\u00e9traitement a permis au mod\u00e8le de se concentrer sur des donn\u00e9es claires et exploitables, en \u00e9vitant les distractions dues aux r\u00e9gions de faible qualit\u00e9.<\/p>\n

Progr\u00e8s techniques dans la d\u00e9tection d'objets<\/h2>\n

L'algorithme YOLOv5 (You Only Look Once version 5), un mod\u00e8le de d\u00e9tection d'objets en une seule \u00e9tape connu pour sa rapidit\u00e9 et sa conception modulaire, est au c\u0153ur de cette recherche. Contrairement aux anciens mod\u00e8les en deux \u00e9tapes, tels que Faster R-CNN, qui identifient d'abord les r\u00e9gions d'int\u00e9r\u00eat et classent ensuite les objets, YOLOv5 effectue la d\u00e9tection en un seul passage, ce qui le rend nettement plus rapide.<\/p>\n

Le mod\u00e8le de base YOLOv5n, avec 1,76 million de param\u00e8tres (composants configurables du mod\u00e8le d'IA) et 4,1 milliards de FLOP (op\u00e9rations en virgule flottante, une mesure de la complexit\u00e9 de calcul), \u00e9tait d\u00e9j\u00e0 efficace. Cependant, la d\u00e9tection de minuscules \u00e9pis d'orge se chevauchant a n\u00e9cessit\u00e9 une optimisation suppl\u00e9mentaire.<\/p>\n

L'\u00e9quipe de recherche a apport\u00e9 trois am\u00e9liorations essentielles au mod\u00e8le : la convolution s\u00e9parable en profondeur (DSConv), la convolution fant\u00f4me (GhostConv) et un module d'attention par bloc convolutif (CBAM).<\/p>\n

La convolution s\u00e9parable en profondeur (DSConv) r\u00e9duit les co\u00fbts de calcul en divisant le processus de convolution standard - une op\u00e9ration math\u00e9matique qui permet d'extraire des caract\u00e9ristiques des images - en deux \u00e9tapes. Tout d'abord, la convolution en profondeur applique des filtres aux diff\u00e9rents canaux de couleur (rouge, vert, bleu, par exemple), en analysant chaque canal s\u00e9par\u00e9ment.<\/p>\n

Vient ensuite la convolution ponctuelle, qui combine les r\u00e9sultats entre les canaux \u00e0 l'aide de noyaux 1\u00d71. Cette approche permet de r\u00e9duire le nombre de param\u00e8tres jusqu'\u00e0 75%.<\/p>\n

\"R\u00e9duction<\/p>\n

Par exemple, une convolution 3\u00d73 traditionnelle avec 64 canaux d'entr\u00e9e et 128 canaux de sortie n\u00e9cessite 73 728 param\u00e8tres, alors que DSConv les r\u00e9duit \u00e0 seulement 8 768, soit une r\u00e9duction de 88%. Cette efficacit\u00e9 est essentielle pour le d\u00e9ploiement de mod\u00e8les sur des drones ou des appareils mobiles dot\u00e9s d'une puissance de traitement limit\u00e9e.<\/p>\n

La convolution fant\u00f4me (GhostConv) all\u00e8ge encore le mod\u00e8le en g\u00e9n\u00e9rant des cartes de caract\u00e9ristiques suppl\u00e9mentaires - des repr\u00e9sentations simplifi\u00e9es de motifs d'images - par le biais d'op\u00e9rations lin\u00e9aires simples, telles que la rotation ou la mise \u00e0 l'\u00e9chelle, au lieu de convolutions lourdes en ressources.<\/p>\n

Les couches de convolution traditionnelles produisent des caract\u00e9ristiques redondantes, ce qui entra\u00eene un gaspillage des ressources informatiques. GhostConv r\u00e9sout ce probl\u00e8me en cr\u00e9ant des caract\u00e9ristiques \u201cfant\u00f4mes\u201d \u00e0 partir des caract\u00e9ristiques existantes, ce qui permet de diviser par deux les param\u00e8tres de certaines couches.<\/p>\n

Par exemple, une couche avec 64 canaux d'entr\u00e9e et 128 canaux de sortie n\u00e9cessiterait traditionnellement\u00a073 728 param\u00e8tres<\/strong>, mais GhostConv le r\u00e9duit \u00e0\u00a036,864<\/strong>\u00a0tout en maintenant la pr\u00e9cision. Cette technique est particuli\u00e8rement utile pour la d\u00e9tection de petits objets tels que les \u00e9pis d'orge, o\u00f9 l'efficacit\u00e9 des calculs est primordiale.<\/p>\n

Le module d'attention par blocs convolutifs (CBAM) a \u00e9t\u00e9 int\u00e9gr\u00e9 pour aider le mod\u00e8le \u00e0 se concentrer sur les caract\u00e9ristiques essentielles, m\u00eame dans les environnements encombr\u00e9s. Les m\u00e9canismes d'attention, inspir\u00e9s des syst\u00e8mes visuels humains, permettent aux mod\u00e8les d'IA de donner la priorit\u00e9 aux parties importantes d'une image.<\/p>\n

CBAM fait appel \u00e0 deux types d'attention : l'attention sur les canaux, qui identifie les canaux de couleur importants (par exemple, le vert pour les pointes en croissance), et l'attention spatiale, qui met en \u00e9vidence les r\u00e9gions cl\u00e9s au sein d'une image (par exemple, les grappes de pointes). En rempla\u00e7ant les modules standard par DSConv et GhostConv et en incorporant CBAM, les chercheurs ont cr\u00e9\u00e9 un mod\u00e8le plus l\u00e9ger et plus pr\u00e9cis, adapt\u00e9 \u00e0 la d\u00e9tection de l'orge.<\/p>\n

Mise en \u0153uvre et r\u00e9sultats<\/h2>\n

Pour entra\u00eener le mod\u00e8le, les chercheurs ont \u00e9tiquet\u00e9 manuellement 135 images originales \u00e0 l'aide de bo\u00eetes de d\u00e9limitation (cadres rectangulaires marquant l'emplacement des \u00e9pis d'orge), en classant les \u00e9pis en fonction des stades de croissance et de maturation. Des techniques d'enrichissement des donn\u00e9es - notamment la rotation, l'injection de bruit, l'occlusion et l'am\u00e9lioration de la nettet\u00e9 - ont permis d'\u00e9tendre l'ensemble de donn\u00e9es \u00e0 2 970 images, am\u00e9liorant ainsi la capacit\u00e9 du mod\u00e8le \u00e0 s'adapter \u00e0 diverses conditions de terrain.<\/p>\n

Par exemple, la rotation des images de 90\u00b0, 180\u00b0 ou 270\u00b0 a aid\u00e9 le mod\u00e8le \u00e0 reconna\u00eetre les pics sous diff\u00e9rents angles, tandis que l'ajout de bruit a simul\u00e9 les imperfections du monde r\u00e9el, comme la poussi\u00e8re ou les ombres. L'ensemble de donn\u00e9es a \u00e9t\u00e9 divis\u00e9 en un ensemble de formation (80%) et un ensemble de validation (20%), ce qui a permis de garantir une \u00e9valuation solide.<\/p>\n

L'entra\u00eenement s'est d\u00e9roul\u00e9 sur un syst\u00e8me haute performance \u00e9quip\u00e9 d'un CPU AMD Ryzen 7, d'un GPU NVIDIA RTX 4060 et de 64 Go de RAM, en utilisant le cadre PyTorch, un outil populaire pour l'apprentissage profond. Sur 300 \u00e9poques d'entra\u00eenement (passages complets dans l'ensemble de donn\u00e9es), la pr\u00e9cision du mod\u00e8le (exactitude des d\u00e9tections correctes), le rappel (capacit\u00e9 \u00e0 trouver tous les pics pertinents) et la perte (taux d'erreur) ont \u00e9t\u00e9 m\u00e9ticuleusement suivis.<\/p>\n

Les r\u00e9sultats sont frappants. Le mod\u00e8le YOLOv5 am\u00e9lior\u00e9 a atteint une pr\u00e9cision de 92,2% (contre 89,1% pour le mod\u00e8le de base) et un rappel de 86,2% (contre 83,1%), surpassant le mod\u00e8le de base YOLOv5n de 3,1% dans les deux cas. Sa pr\u00e9cision moyenne (mAP) - une mesure globale faisant la moyenne de la pr\u00e9cision de d\u00e9tection dans toutes les cat\u00e9gories - a atteint 93,1%, avec des scores individuels de 92,7% pour les pics en phase de croissance et de 93,5% pour les pics en phase de maturation.<\/p>\n

\"R\u00e9sultats<\/p>\n

Son efficacit\u00e9 de calcul est tout aussi impressionnante : les param\u00e8tres du mod\u00e8le ont diminu\u00e9 de 70,6% pour atteindre 1,2 million, et les FLOP ont diminu\u00e9 de 75,6% pour atteindre 3,1 milliards. Des analyses comparatives avec des mod\u00e8les de premier plan tels que Faster R-CNN et YOLOv8n ont mis en \u00e9vidence sa sup\u00e9riorit\u00e9.<\/p>\n

Si YOLOv8n a obtenu un mAP l\u00e9g\u00e8rement sup\u00e9rieur (93,8%), ses param\u00e8tres (3,0 millions) et ses FLOP (8,1 milliards) \u00e9taient respectivement 2,5 et 2,6 fois plus \u00e9lev\u00e9s, ce qui rend le mod\u00e8le propos\u00e9 beaucoup plus efficace pour les applications en temps r\u00e9el.<\/p>\n

Les comparaisons visuelles ont mis en \u00e9vidence ces progr\u00e8s. Dans les images en phase de croissance, le mod\u00e8le am\u00e9lior\u00e9 a d\u00e9tect\u00e9 41 pointes contre 28 pour le mod\u00e8le de base. Au cours de la maturation, il a identifi\u00e9 3 pointes contre 2 pour le mod\u00e8le de base, avec moins de d\u00e9tections manqu\u00e9es (marqu\u00e9es par des fl\u00e8ches orange) et de faux positifs (marqu\u00e9s par des fl\u00e8ches violettes).<\/p>\n

Ces am\u00e9liorations sont vitales pour les agriculteurs qui d\u00e9pendent de donn\u00e9es pr\u00e9cises pour pr\u00e9voir les rendements et optimiser les ressources. Par exemple, le d\u00e9nombrement pr\u00e9cis des \u00e9pis permet de mieux estimer la production de c\u00e9r\u00e9ales et d'\u00e9clairer les d\u00e9cisions relatives au calendrier des r\u00e9coltes, au stockage et \u00e0 la planification des march\u00e9s.<\/p>\n

Orientations futures et implications pratiques<\/h2>\n

Malgr\u00e9 son succ\u00e8s, l'\u00e9tude a reconnu ses limites. Les performances ont chut\u00e9 dans des conditions d'\u00e9clairage extr\u00eames, telles que l'\u00e9blouissement de midi ou les ombres lourdes, qui peuvent masquer les d\u00e9tails des \u00e9pis. En outre, les bo\u00eetes de d\u00e9limitation rectangulaires ne s'adaptaient pas toujours aux pointes de forme irr\u00e9guli\u00e8re, ce qui entra\u00eenait des impr\u00e9cisions mineures.<\/p>\n

Le mod\u00e8le exclut \u00e9galement les bords flous des images de drones, ce qui n\u00e9cessite un pr\u00e9traitement manuel - une \u00e9tape qui ajoute du temps et de la complexit\u00e9.<\/p>\n

Les travaux futurs visent \u00e0 r\u00e9soudre ces probl\u00e8mes en \u00e9largissant l'ensemble de donn\u00e9es pour inclure des images captur\u00e9es \u00e0 l'aube, \u00e0 midi et au cr\u00e9puscule, en exp\u00e9rimentant des annotations en forme de polygone (des formes flexibles qui s'adaptent mieux aux objets irr\u00e9guliers) et en d\u00e9veloppant des algorithmes pour mieux g\u00e9rer les r\u00e9gions floues sans intervention manuelle.<\/p>\n

Les implications de cette recherche sont consid\u00e9rables. Pour les agriculteurs de r\u00e9gions comme le Tibet, le mod\u00e8le permet d'estimer le rendement en temps r\u00e9el, en rempla\u00e7ant les comptages manuels \u00e0 forte intensit\u00e9 de main-d'\u0153uvre par une automatisation bas\u00e9e sur les drones. La distinction entre les diff\u00e9rents stades de croissance permet une planification pr\u00e9cise de la r\u00e9colte, r\u00e9duisant ainsi les pertes dues \u00e0 une r\u00e9colte pr\u00e9matur\u00e9e ou retard\u00e9e.<\/p>\n

Des donn\u00e9es d\u00e9taill\u00e9es sur la densit\u00e9 des \u00e9pis - telles que l'identification des zones sous-peupl\u00e9es ou surpeupl\u00e9es - peuvent guider les strat\u00e9gies d'irrigation et de fertilisation, r\u00e9duisant ainsi le gaspillage d'eau et de produits chimiques. Au-del\u00e0 de l'orge, l'architecture l\u00e9g\u00e8re est prometteuse pour d'autres cultures, telles que le bl\u00e9, le riz ou les fruits, ce qui ouvre la voie \u00e0 des applications plus larges dans le domaine de l'agriculture de pr\u00e9cision.<\/p>\n

Conclusion<\/h2>\n

En conclusion, cette \u00e9tude illustre le potentiel de transformation de l'IA pour relever les d\u00e9fis de l'agriculture. En affinant YOLOv5 \u00e0 l'aide de techniques l\u00e9g\u00e8res innovantes, les chercheurs ont cr\u00e9\u00e9 un outil qui concilie pr\u00e9cision et efficacit\u00e9, ce qui est essentiel pour un d\u00e9ploiement r\u00e9el dans des environnements o\u00f9 les ressources sont limit\u00e9es.<\/p>\n

Des termes tels que mAP, FLOP et m\u00e9canismes d'attention peuvent sembler techniques, mais leur impact est profond\u00e9ment pratique : ils permettent aux agriculteurs de prendre des d\u00e9cisions fond\u00e9es sur des donn\u00e9es, de pr\u00e9server les ressources et de maximiser les rendements. \u00c0 l'heure o\u00f9 le changement climatique et la croissance d\u00e9mographique intensifient la pression sur les syst\u00e8mes alimentaires mondiaux, de telles avanc\u00e9es seront indispensables.<\/p>\n

Pour les agriculteurs du Tibet et d'ailleurs, cette technologie ne repr\u00e9sente pas seulement un saut dans l'efficacit\u00e9 agricole, mais aussi une lueur d'espoir pour une s\u00e9curit\u00e9 alimentaire durable dans un avenir incertain.<\/p>\n

R\u00e9f\u00e9rence : <\/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":"

L\u2019orge des hauts plateaux, une c\u00e9r\u00e9ale r\u00e9sistante cultiv\u00e9e dans les r\u00e9gions de haute altitude du plateau Qinghai-Tibet en Chine, joue un r\u00f4le essentiel dans la s\u00e9curit\u00e9 alimentaire locale et l\u2019\u00e9conomie\u2026<\/p>","protected":false},"author":210249433,"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":"","_crdt_document":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","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":[1660,1657,1377],"tags":[],"class_list":["post-11559","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-agriculture-mapping","category-precision-farming","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\/fr\/blog\/la-culture-de-lorge-beneficie-dun-coup-de-pouce-grace-a-la-detection-legere-de-yolov5\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection\" \/>\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\/fr\/blog\/la-culture-de-lorge-beneficie-dun-coup-de-pouce-grace-a-la-detection-legere-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=\"Muhammad Farjad\" \/>\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=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Muhammad Farjad\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minutes\" \/>\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\":\"Muhammad Farjad\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\"},\"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\":[\"Agriculture Mapping\",\"Precision Farming\",\"Crop monitoring\"],\"inLanguage\":\"fr-FR\",\"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\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@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\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@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\\\/123c5562fb47aa8cf3aa81ae91e5e935\",\"name\":\"Muhammad Farjad\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"caption\":\"Muhammad Farjad\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"La culture de l'orge b\u00e9n\u00e9ficie d'un coup de pouce gr\u00e2ce \u00e0 la d\u00e9tection l\u00e9g\u00e8re YOLOv5 - 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\/fr\/blog\/la-culture-de-lorge-beneficie-dun-coup-de-pouce-grace-a-la-detection-legere-de-yolov5\/","og_locale":"fr_FR","og_type":"article","og_title":"Barley Farming Gets a Boost With Lightweight YOLOv5 Detection","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\/fr\/blog\/la-culture-de-lorge-beneficie-dun-coup-de-pouce-grace-a-la-detection-legere-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":"Muhammad Farjad","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"\u00c9crit par":"Muhammad Farjad","Dur\u00e9e de lecture estim\u00e9e":"8 minutes"},"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":"Muhammad Farjad","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935"},"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":["Agriculture Mapping","Precision Farming","Crop monitoring"],"inLanguage":"fr-FR","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":"La culture de l'orge b\u00e9n\u00e9ficie d'un coup de pouce gr\u00e2ce \u00e0 la d\u00e9tection l\u00e9g\u00e8re YOLOv5 - 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":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@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 - Logiciel d'agriculture de pr\u00e9cision","description":"Logiciel de cartographie pour l'agriculture de pr\u00e9cision","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":"fr-FR"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Agriculture","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@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\/123c5562fb47aa8cf3aa81ae91e5e935","name":"Muhammad Farjad","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","caption":"Muhammad Farjad"},"url":"#"}]}},"jetpack_publicize_connections":[],"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","jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-30r","_links":{"self":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/11559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/users\/210249433"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/comments?post=11559"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/posts\/11559\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media\/11562"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/media?parent=11559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/categories?post=11559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/fr\/wp-json\/wp\/v2\/tags?post=11559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}