2. Identification des mauvaises herbes :<\/strong> La d\u00e9tection des mauvaises herbes parmi les cultures permet aux agriculteurs de ne pulv\u00e9riser que les plantes ind\u00e9sirables, \u00e9conomisant ainsi les herbicides. Par exemple, une \u00e9tude men\u00e9e sur des champs de coton a utilis\u00e9 des images de drones avec un d\u00e9tecteur bas\u00e9 sur YOLOv7 et a atteint une pr\u00e9cision d'environ 83% pour la distinction entre les mauvaises herbes et le coton. Cependant, la distinction entre les mauvaises herbes et les cultures visuellement similaires reste difficile sur des images de champs encombr\u00e9s.<\/p>\n 3. D\u00e9tection des ravageurs et des maladies :<\/strong> Les drones peuvent rep\u00e9rer les infestations (criquets, insectes ou maladies fongiques, par exemple) plus t\u00f4t que les \u00e9quipes humaines \u00e0 pied. Ils permettent \u00e9galement de cartographier les zones infest\u00e9es gr\u00e2ce \u00e0 l'imagerie multispectrale, plus performante que l'imagerie RGB seule. Une d\u00e9tection rapide et pr\u00e9cise des ravageurs est essentielle pour pr\u00e9venir leur propagation.<\/p>\n 4. Estimation du rendement :<\/strong> Le comptage a\u00e9rien des fruits, des \u00e9pis de c\u00e9r\u00e9ales ou des plantes permet de pr\u00e9dire les volumes de r\u00e9colte. Les mod\u00e8les entra\u00een\u00e9s \u00e0 d\u00e9tecter les pommes, les melons ou les \u00e9pis de bl\u00e9 sur des images de drones peuvent acc\u00e9l\u00e9rer l'estimation des rendements. Par exemple, des r\u00e9seaux neuronaux appliqu\u00e9s \u00e0 des images de drones ont \u00e9t\u00e9 utilis\u00e9s pour compter les cultures de past\u00e8ques et de melons dans les champs.<\/p>\n 5. Lev\u00e9s topographiques et cartographie :<\/strong> Les drones permettent \u00e9galement de cr\u00e9er des cartes des parcelles (topographie, variations de sol) qui facilitent la planification des cultures. Bien que n'\u00e9tant pas \u00e0 proprement parler une d\u00e9tection d'objets, cette fonction fait partie int\u00e9grante de la surveillance par drones.<\/p>\n Ces t\u00e2ches exigent souvent un traitement quasi instantan\u00e9\u00a0: un drone survolant des champs peut avoir besoin de traiter des images vid\u00e9o en temps r\u00e9el (plusieurs images par seconde) afin que des d\u00e9cisions de contr\u00f4le (comme l\u2019ajustement de l\u2019altitude ou l\u2019activation d\u2019un pulv\u00e9risateur) puissent \u00eatre prises imm\u00e9diatement. Dans d\u2019autres cas, de l\u00e9gers d\u00e9lais (quelques secondes) peuvent \u00eatre acceptables si les donn\u00e9es sont enregistr\u00e9es et analys\u00e9es apr\u00e8s l\u2019atterrissage.<\/p>\n Il est essentiel que la vision embarqu\u00e9e des drones puisse s'adapter aux variations environnementales\u00a0: forte luminosit\u00e9, ombres, flou de mouvement d\u00fb au vent, occlusion par le feuillage, changements d'altitude et d'angle. La taille des objets \u00e9tant variable (mauvaises herbes proches ou groupes de ravageurs \u00e9loign\u00e9s), les d\u00e9tecteurs doivent g\u00e9rer des caract\u00e9ristiques multi-\u00e9chelles.<\/p>\n Enfin, les missions de drones agricoles impliquent des compromis essentiels entre pr\u00e9cision, latence et consommation d'\u00e9nergie. Une grande pr\u00e9cision de d\u00e9tection est n\u00e9cessaire pour \u00e9viter de manquer des mauvaises herbes ou des ravageurs, mais un r\u00e9seau tr\u00e8s dense peut vider rapidement la batterie. Un mod\u00e8le de d\u00e9tection doit donc \u00eatre rapide et \u00e9conome en \u00e9nergie, tout en \u00e9tant suffisamment pr\u00e9cis pour la t\u00e2che. Ces exigences strictes soulignent la n\u00e9cessit\u00e9 d'une conception de mod\u00e8le sp\u00e9cialis\u00e9e pour les drones agricoles.<\/p>\n Les d\u00e9tecteurs d'objets l\u00e9gers sont des r\u00e9seaux neuronaux con\u00e7us sp\u00e9cifiquement pour fonctionner sur du mat\u00e9riel aux ressources limit\u00e9es. Ils utilisent souvent des architectures de base r\u00e9duites (comme MobileNet ou ShuffleNet), des couches plus fines ou des architectures de t\u00eate et de cou simplifi\u00e9es. Par exemple, les mod\u00e8les de la famille YOLO comprennent des versions \u201c nano \u201d et \u201c tiny \u201d (par exemple YOLOv8n, YOLOv5s) qui poss\u00e8dent moins de param\u00e8tres et n\u00e9cessitent moins d'op\u00e9rations (FLOPs).<\/p>\n Ces d\u00e9tecteurs peuvent fonctionner \u00e0 plusieurs dizaines d'images par seconde sur des syst\u00e8mes embarqu\u00e9s tels que NVIDIA Jetson Nano ou Google Coral. Par exemple, Ag-YOLO \u00e9tait un d\u00e9tecteur personnalis\u00e9 bas\u00e9 sur YOLO, con\u00e7u pour les plantations de palmiers. Il fonctionnait \u00e0 36,5 images par seconde sur un Intel Neural Compute Stick 2 (avec une consommation de seulement 1,5 W) et atteignait une pr\u00e9cision \u00e9lev\u00e9e (F1 = 0,9205). Ce mod\u00e8le utilisait environ douze fois moins de param\u00e8tres que YOLOv3-Tiny, tout en doublant sa vitesse.<\/p>\n Ces exemples illustrent les compromis \u00e0 faire lors de la conception de mod\u00e8les\u00a0: r\u00e9duire la taille ou la complexit\u00e9 d\u2019un mod\u00e8le (par exemple, en diminuant le nombre de couches ou de canaux) acc\u00e9l\u00e8re g\u00e9n\u00e9ralement l\u2019inf\u00e9rence et r\u00e9duit la consommation d\u2019\u00e9nergie, mais peut nuire \u00e0 la pr\u00e9cision. Ag-YOLO a sacrifi\u00e9 une partie de sa capacit\u00e9 pour gagner en vitesse et en efficacit\u00e9, tout en conservant un score F1 \u00e9lev\u00e9 de 0,92 pour sa t\u00e2che.<\/p>\n De m\u00eame, trois variantes de YOLOv7 ont \u00e9t\u00e9 compar\u00e9es pour la d\u00e9tection des mauvaises herbes\u00a0: la version compl\u00e8te de YOLOv7 a atteint une pr\u00e9cision de 83%, tandis qu\u2019une version plus l\u00e9g\u00e8re, YOLOv7-w6, a chut\u00e9 \u00e0 une pr\u00e9cision de 63%. Ceci illustre une limite des d\u00e9tecteurs g\u00e9n\u00e9riques l\u00e9gers\u00a0: les mod\u00e8les optimis\u00e9s pour un environnement ou un type d\u2019objet donn\u00e9 peuvent \u00eatre moins performants dans un autre. Un d\u00e9tecteur all\u00e9g\u00e9 pour la vitesse risque de manquer des indices subtils (par exemple, les petites mauvaises herbes ou les herbes camoufl\u00e9es), ce qui nuit \u00e0 sa robustesse dans des conditions variables.<\/p>\n En agriculture, ces r\u00e9seaux l\u00e9gers g\u00e9n\u00e9riques peuvent ne pas \u00eatre optimaux sans ajustements suppl\u00e9mentaires. Par exemple, un mod\u00e8le YOLOv7 pr\u00e9-entra\u00een\u00e9 sur des jeux de donn\u00e9es courants peut ne pas g\u00e9rer parfaitement les textures et les \u00e9chelles sp\u00e9cifiques aux images de cultures. Il est donc n\u00e9cessaire d'optimiser l'architecture du mod\u00e8le en fonction de la t\u00e2che et de la plateforme. Le r\u00e9glage manuel (modification des couches, des filtres, etc.) pour chaque nouveau type de drone ou vari\u00e9t\u00e9 de culture est fastidieux. Cela justifie le recours \u00e0 des m\u00e9thodes automatis\u00e9es, telles que le NAS adapt\u00e9 au d\u00e9ploiement, afin de trouver le meilleur compromis entre taille, pr\u00e9cision et robustesse pour une plateforme de drone et une application agricole donn\u00e9es.<\/p>\n La recherche d'architectures neuronales (NAS) est une m\u00e9thode automatis\u00e9e de conception d'architectures de r\u00e9seaux neuronaux. Au lieu de d\u00e9finir manuellement le nombre de couches, de filtres et de connexions, la NAS utilise des algorithmes (apprentissage par renforcement, m\u00e9thodes \u00e9volutionnaires ou recherche par gradient) pour explorer un espace de conceptions possibles et trouver celles qui optimisent un objectif choisi (comme la pr\u00e9cision).<\/p>\n L'architecture NAS a d\u00e9j\u00e0 \u00e9t\u00e9 utilis\u00e9e pour cr\u00e9er des r\u00e9seaux adapt\u00e9s aux appareils mobiles. Par exemple, MnasNet de Google \u00e9tait une architecture NAS \u201c\u00a0sensible \u00e0 la plateforme\u00a0\u201d pionni\u00e8re, int\u00e9grant directement la latence r\u00e9elle de l'appareil dans sa fonction objectif. MnasNet mesurait le temps d'inf\u00e9rence sur un t\u00e9l\u00e9phone Google Pixel pour chaque mod\u00e8le candidat lors de la recherche, et pond\u00e9rait la pr\u00e9cision en fonction de cette latence mesur\u00e9e. Il en a r\u00e9sult\u00e9 une famille de r\u00e9seaux de neurones convolutifs (CNN) \u00e0 la fois rapides et pr\u00e9cis sur mat\u00e9riel mobile, surpassant les mod\u00e8les MobileNet et NASNet con\u00e7us manuellement sur ImageNet.<\/p>\n Cependant, les approches NAS g\u00e9n\u00e9riques comme MnasNet se concentrent sur des t\u00e2ches de vision g\u00e9n\u00e9rales (classification ImageNet ou d\u00e9tection COCO) et sur du mat\u00e9riel standard (ex.\u00a0: t\u00e9l\u00e9phones mobiles). Pour la surveillance des cultures par drone, le probl\u00e8me est plus sp\u00e9cifique. Nous recherchons des d\u00e9tecteurs optimis\u00e9s pour des classes d'objets sp\u00e9cifiques (plantes, mauvaises herbes, ravageurs) et adapt\u00e9s aux capteurs et au profil de vol du drone. Un syst\u00e8me NAS standard qui optimise uniquement la pr\u00e9cision ou la latence risque de n\u00e9gliger des subtilit\u00e9s telles que la d\u00e9tection de petits objets ou les contraintes \u00e9nerg\u00e9tiques.<\/p>\n De plus, les m\u00e9thodes NAS traditionnelles peuvent s'av\u00e9rer tr\u00e8s gourmandes en ressources de calcul (n\u00e9cessitant souvent plusieurs jours sur de grands clusters de GPU), ce qui n'est pas toujours envisageable pour les chercheurs en agriculture. Par cons\u00e9quent, des cadres NAS sp\u00e9cifiques \u00e0 la vision par drone sont n\u00e9cessaires. Ces cadres doivent int\u00e9grer des crit\u00e8res pertinents pour les drones et \u00eatre aussi efficaces que possible.<\/p>\n Dans tous les cas, la prise en compte des contraintes est essentielle\u00a0: le NAS doit conna\u00eetre les contraintes du dispositif cible (comme MnasNet) et les exigences en temps r\u00e9el des t\u00e2ches du drone en vol. Si la recherche est trop lente ou n\u00e9glige la consommation d\u2019\u00e9nergie, le mod\u00e8le obtenu risque de ne pas \u00eatre performant sur le terrain.<\/p>\n En pratique, le NAS pour la vision par drone int\u00e9grerait directement la latence mat\u00e9rielle et la consommation d'\u00e9nergie dans ses crit\u00e8res de recherche. Par exemple, on pourrait mesurer la fr\u00e9quence d'images d'un d\u00e9tecteur candidat sur l'ordinateur de bord du drone (comme un NVIDIA Jetson) et l'utiliser comme score. Ceci contraste avec l'utilisation de simples indicateurs indirects comme les FLOP, qui ne refl\u00e8tent pas la vitesse r\u00e9elle.<\/p>\n Ce faisant, le NAS peut identifier les architectures qui exploitent au mieux les capacit\u00e9s du dispositif. En r\u00e9sum\u00e9, le NAS permet de concevoir automatiquement des d\u00e9tecteurs pour drones, mais il doit \u00eatre adapt\u00e9 aux t\u00e2ches sp\u00e9cifiques et aux exigences d'efficacit\u00e9 de ces derniers.<\/p>\n Le NAS prenant en compte le d\u00e9ploiement \u00e9tend le NAS prenant en compte le mat\u00e9riel en int\u00e9grant le contexte de d\u00e9ploiement et les contraintes environnementales d\u00e8s la conception. Autrement dit, il tient compte non seulement du mat\u00e9riel du drone (vitesse du processeur\/GPU, limites de m\u00e9moire, consommation \u00e9nerg\u00e9tique), mais aussi des conditions r\u00e9elles auxquelles le drone sera confront\u00e9 sur le terrain. Cela implique une optimisation explicite de param\u00e8tres tels que la latence d'inf\u00e9rence sur le p\u00e9riph\u00e9rique cible, la consommation d'\u00e9nergie et l'empreinte m\u00e9moire, tout en garantissant une pr\u00e9cision de d\u00e9tection \u00e9lev\u00e9e.<\/p>\n Par exemple, lors de la phase NAS, chaque mod\u00e8le candidat pourrait \u00eatre d\u00e9ploy\u00e9 sur un Jetson Nano embarqu\u00e9 sur le drone, et son temps d'inf\u00e9rence et sa consommation \u00e9nerg\u00e9tique r\u00e9els enregistr\u00e9s. Ce retour d'information empirique permet d'orienter la recherche vers des mod\u00e8les r\u00e9pondant v\u00e9ritablement aux crit\u00e8res de d\u00e9ploiement.<\/p>\n Les NAS prenant en compte le mat\u00e9riel (comme MnasNet) se concentrent sur les m\u00e9triques des p\u00e9riph\u00e9riques, tandis que les NAS prenant en compte le d\u00e9ploiement vont plus loin\u00a0: ils peuvent consid\u00e9rer les caract\u00e9ristiques d\u2019entr\u00e9e des capteurs (par exemple, la r\u00e9solution d\u2019image, les canaux multispectraux) et les objectifs de latence des applications (nombre d\u2019images par seconde requis). Ils peuvent m\u00eame int\u00e9grer des contraintes de vol telles que la m\u00e9moire maximale autoris\u00e9e ou inclure des \u00e9valuations sous simulation de secousses dues au vent ou de flou de mouvement.<\/p>\n Un NAS adapt\u00e9 au d\u00e9ploiement peut p\u00e9naliser les architectures consommant plus de 5 W, par exemple, ou n\u00e9cessitant plus de m\u00e9moire que celle disponible sur le drone. Ainsi, la recherche privil\u00e9gie naturellement les mod\u00e8les pratiques pour l'utilisation du drone sur le terrain. En r\u00e9sum\u00e9, un NAS adapt\u00e9 au d\u00e9ploiement vise \u00e0 faire le lien entre la conception du mod\u00e8le et son utilisation r\u00e9elle. Plut\u00f4t que de choisir une architecture isol\u00e9ment en esp\u00e9rant qu'elle fonctionne, il int\u00e8gre syst\u00e9matiquement des tests sur des appareils r\u00e9els lors de la recherche.<\/p>\n Par exemple, Kerec et al. (2026) ont utilis\u00e9 un tel cadre pour la recherche d'un d\u00e9tecteur de drones\u00a0: ils se sont appuy\u00e9s sur une base YOLOv8n, mais ont int\u00e9gr\u00e9 la latence et la consommation \u00e9nerg\u00e9tique du Jetson Nano dans leur recherche. Le mod\u00e8le obtenu pr\u00e9sentait 371\u00a0TP3T GFLOPs et 611\u00a0TP3T param\u00e8tres en moins que YOLOv8n, avec une baisse de mAP de seulement 1,961\u00a0TP3T. Ceci illustre clairement comment les contraintes de d\u00e9ploiement ont orient\u00e9 le NAS vers un r\u00e9seau beaucoup plus l\u00e9ger et rapide.<\/p>\n Un syst\u00e8me NAS adapt\u00e9 au d\u00e9ploiement peut consid\u00e9rablement am\u00e9liorer la surveillance des cultures par drone en optimisant les d\u00e9tecteurs en fonction des conditions agricoles. Par exemple, une recherche peut privil\u00e9gier les architectures performantes pour la d\u00e9tection d'objets petits et fins (comme les mauvaises herbes \u00e9troites ou les jeunes plants de ma\u00efs) ou pour la distinction entre les plantes et le sol. Elle peut ajuster la profondeur du r\u00e9seau et les champs r\u00e9ceptifs \u00e0 l'altitude de vol typique\u00a0: \u00e0 basse altitude, les objets remplissent l'image et n\u00e9cessitent une d\u00e9tection pr\u00e9cise des d\u00e9tails, tandis qu'\u00e0 plus haute altitude, le r\u00e9seau doit \u00eatre performant pour la d\u00e9tection \u00e0 petite \u00e9chelle. Un syst\u00e8me NAS adapt\u00e9 au d\u00e9ploiement peut int\u00e9grer ces exigences dans son espace de recherche.<\/p>\n La rapidit\u00e9 est essentielle sur le terrain. Imaginez un drone d\u00e9tectant une infestation de nuisibles\u00a0; si le mod\u00e8le est suffisamment rapide pour traiter la vid\u00e9o \u00e0, par exemple, 30\u00a0images par seconde, il peut alerter le pilote ou d\u00e9clencher une intervention imm\u00e9diate. Lors de tests, un mod\u00e8le con\u00e7u par NAS s'est av\u00e9r\u00e9 28% plus rapide sur un Jetson Nano que le YOLOv8n standard, gr\u00e2ce \u00e0 son architecture optimis\u00e9e. Il a \u00e9galement consomm\u00e9 18,5% d'\u00e9nergie en moins sous ONNX, ce qui lui permet de voler plus longtemps avec la m\u00eame batterie. Ces gains facilitent la prise de d\u00e9cision en vol et prolongent la dur\u00e9e des missions.<\/p>\n La robustesse est un autre avantage. Puisque la recherche bas\u00e9e sur la d\u00e9tection d'anomalies (NAS) et prenant en compte le d\u00e9ploiement implique une \u00e9valuation r\u00e9elle du dispositif, la recherche peut inclure des tests dans des conditions vari\u00e9es. Par exemple, elle peut simuler une faible luminosit\u00e9 ou inclure des images d'entra\u00eenement prises \u00e0 l'aube et au cr\u00e9puscule, garantissant ainsi que le d\u00e9tecteur final conserve sa pr\u00e9cision malgr\u00e9 les variations m\u00e9t\u00e9orologiques et d'\u00e9clairage r\u00e9elles. Les travaux ont d\u00e9montr\u00e9 que le d\u00e9tecteur issu de la NAS g\u00e9n\u00e9ralisait bien\u00a0: test\u00e9 sur deux jeux de donn\u00e9es de cultures diff\u00e9rents (\u00e9pis de bl\u00e9 et plantules de coton), il a obtenu d'excellents r\u00e9sultats dans les deux cas.<\/p>\n Cela sugg\u00e8re que le NAS adapt\u00e9 au d\u00e9ploiement a permis d'identifier des fonctionnalit\u00e9s communes et utiles pour l'agriculture, am\u00e9liorant ainsi sa g\u00e9n\u00e9ralisation \u00e0 de nouveaux domaines. Globalement, le NAS adapt\u00e9 au d\u00e9ploiement contribue \u00e0 un meilleur \u00e9quilibre entre pr\u00e9cision et autonomie de vol. En r\u00e9duisant la charge de calcul, les drones consomment moins d'\u00e9nergie et peuvent couvrir une plus grande superficie par charge de batterie, tout en assurant une d\u00e9tection fiable des cultures et des ravageurs.<\/p>\n Un \u00e9l\u00e9ment important des syst\u00e8mes NAS adapt\u00e9s au d\u00e9ploiement est l'espace de recherche, c'est-\u00e0-dire l'ensemble des architectures r\u00e9seau possibles qu'il prend en compte. Pour les d\u00e9tecteurs de cultures par drone, cet espace de recherche peut \u00eatre con\u00e7u pour inclure des architectures prometteuses dans ce domaine. Les \u00e9l\u00e9ments cl\u00e9s sont les suivants\u00a0:<\/p>\n 1. Conception de la structure principale\u00a0:<\/strong> L'\u00e9l\u00e9ment central est l'extracteur de caract\u00e9ristiques. Pour les drones, on peut utiliser des blocs de construction convolutionnels l\u00e9gers, tels que des convolutions s\u00e9parables en profondeur (comme dans MobileNet) ou des blocs de r\u00e9sidus invers\u00e9s. Les r\u00e9sidus invers\u00e9s et les goulots d'\u00e9tranglement lin\u00e9aires (de type MobileNetV2) sont reconnus pour leur efficacit\u00e9 sur les appareils mobiles. L'espace de recherche permet de faire varier la largeur (nombre de canaux) et la profondeur de chaque bloc afin de s'adapter aux ressources de calcul du drone. Des modules d'attention ou inspir\u00e9s des transformateurs peuvent \u00e9galement \u00eatre int\u00e9gr\u00e9s si le drone peut les supporter \u00e0 faible consommation.<\/p>\n 2. Conception du col :<\/strong> De nombreux d\u00e9tecteurs d'objets utilisent des pyramides de caract\u00e9ristiques (FPN) ou des r\u00e9seaux d'agr\u00e9gation de chemins pour combiner des caract\u00e9ristiques multi-\u00e9chelles. La recherche pourrait explorer des FPN simplifi\u00e9es ou une agr\u00e9gation de caract\u00e9ristiques all\u00e9g\u00e9e. Par exemple, l'utilisation d'une t\u00eate mono-\u00e9chelle ou multi-\u00e9chelle pourrait \u00eatre envisag\u00e9e. L'espace de recherche pourrait permettre le regroupement de couches ou l'ajout de connexions r\u00e9siduelles pour faciliter la d\u00e9tection d'objets de tailles diff\u00e9rentes.<\/p>\n 3. Conception de la t\u00eate :<\/strong> La couche de d\u00e9tection (classification et r\u00e9gression de bo\u00eetes) peut \u00e9galement \u00eatre modifi\u00e9e. Pour les drones observant des champs uniformes, une couche plus simple peut suffire. En revanche, pour d\u00e9tecter les petites plantes ind\u00e9sirables, la recherche peut inclure des couches de convolution suppl\u00e9mentaires ou diff\u00e9rents sch\u00e9mas d'ancrage.<\/p>\n 4. Op\u00e9rations l\u00e9g\u00e8res :<\/strong> L'espace de recherche peut explicitement limiter les op\u00e9rations \u00e0 faible co\u00fbt. Par exemple, choisir entre une convolution 3\u00d73 et une convolution factoris\u00e9e 1\u00d73+3\u00d71 moins co\u00fbteuse, ou inclure des modules GhostNet. Il peut \u00e9galement autoriser des noyaux de petite taille ou des dimensions r\u00e9duites pour limiter les calculs. Tous ces choix sont dict\u00e9s par le mat\u00e9riel. L'espace peut interdire toute configuration de couches d\u00e9passant la limite de m\u00e9moire du drone ou son seuil \u00e9nerg\u00e9tique pr\u00e9vu.<\/p>\n En concevant soigneusement cet espace de recherche, le processus NAS est orient\u00e9 vers des architectures \u00e0 la fois performantes et efficaces. Il peut en r\u00e9sulter une combinaison in\u00e9dite de blocs non prise en compte dans les mod\u00e8les standards. Le meilleur d\u00e9tecteur trouv\u00e9 utilise des s\u00e9lections de blocs personnalis\u00e9es qui r\u00e9duisent les GFLOPs de 371 TP3T et le nombre de param\u00e8tres de 611 TP3T par rapport \u00e0 YOLOv8n.<\/p>\n Cela a \u00e9t\u00e9 possible car le NAS pouvait combiner diff\u00e9rents \u00e9l\u00e9ments de base et de t\u00eate en fonction des contraintes du drone. En r\u00e9sum\u00e9, la recherche de d\u00e9tecteurs pour drones agricoles s'oriente vers des modules modulaires l\u00e9gers et \u00e9volutifs, ainsi que vers une gestion multi-\u00e9chelle, le tout dans les limites du mat\u00e9riel embarqu\u00e9.<\/p>\n Un syst\u00e8me NAS adapt\u00e9 au d\u00e9ploiement doit concilier plusieurs objectifs. L'objectif principal est g\u00e9n\u00e9ralement la pr\u00e9cision de d\u00e9tection (par exemple, la pr\u00e9cision moyenne, mAP), mesur\u00e9e sur des jeux de donn\u00e9es de surveillance des cultures. Par exemple, la mAP@50 (pr\u00e9cision \u00e0 50% IOU) est une m\u00e9trique courante. Le mod\u00e8le optimis\u00e9 pour NAS n'a enregistr\u00e9 qu'une baisse de 1,96% de mAP@50 par rapport au mod\u00e8le YOLOv8n de base, une perte tr\u00e8s faible au regard des gains obtenus. La pr\u00e9cision et le rappel (ou score F1) sur les classes cl\u00e9s (mauvaises herbes, cultures) sont \u00e9galement pris en compte.<\/p>\n Parall\u00e8lement, la latence et la consommation d'\u00e9nergie doivent \u00eatre optimis\u00e9es. La latence correspond au temps d'inf\u00e9rence par image\u00a0; pour un GPU embarqu\u00e9, elle peut atteindre 20 \u00e0 50\u00a0ms, voire plus. Une latence plus faible se traduit par des fr\u00e9quences d'images plus \u00e9lev\u00e9es. La consommation d'\u00e9nergie (joules par image) est cruciale pour l'autonomie en vol. L'empreinte m\u00e9moire (nombre de param\u00e8tres, taille du mod\u00e8le) constitue une autre contrainte\u00a0; les mod\u00e8les doivent tenir dans la RAM du p\u00e9riph\u00e9rique. C'est pourquoi les NAS d\u00e9finissent g\u00e9n\u00e9ralement un objectif ou une p\u00e9nalit\u00e9 pour ces contraintes.<\/p>\n Par exemple, tout mod\u00e8le dont la vitesse est inf\u00e9rieure \u00e0 un certain seuil ou qui d\u00e9passe un budget de param\u00e8tres donn\u00e9 peut \u00eatre d\u00e9class\u00e9. Cela transforme de fait le NAS en un probl\u00e8me d'optimisation multi-objectif\u00a0: maximiser la pr\u00e9cision tout en minimisant la latence, la consommation d'\u00e9nergie et la taille.<\/p>\n Concr\u00e8tement, cela pourrait se faire par une somme pond\u00e9r\u00e9e d'objectifs ou par des contraintes strictes. Certaines m\u00e9thodes p\u00e9nalisent fortement tout candidat d\u00e9passant la limite de puissance du drone. D'autres calculent explicitement une m\u00e9trique \u00e9nerg\u00e9tique\u00a0: les mod\u00e8les ont \u00e9t\u00e9 test\u00e9s sous ONNX pour mesurer leur \u201c\u00a0efficacit\u00e9 \u00e9nerg\u00e9tique\u00a0\u201d, et le meilleur mod\u00e8le s'est av\u00e9r\u00e9 18,51\u00a0TP3T plus \u00e9conome en \u00e9nergie que YOLOv8n. C'\u00e9tait l'un des objectifs qui ont guid\u00e9 leur recherche.<\/p>\n Les compromis observ\u00e9s peuvent \u00eatre visualis\u00e9s sur un front de Pareto\u00a0: d\u2019un c\u00f4t\u00e9, des mod\u00e8les compacts extr\u00eamement rapides mais moins pr\u00e9cis\u00a0; de l\u2019autre, des mod\u00e8les pr\u00e9cis et volumineux, mais trop lents ou \u00e9nergivores pour un drone. Le NAS, con\u00e7u pour le d\u00e9ploiement, vise \u00e0 trouver un point d\u2019\u00e9quilibre sur ce front, correspondant aux priorit\u00e9s r\u00e9elles de la mission (par exemple, une l\u00e9g\u00e8re perte de pr\u00e9cision pour un gain de vitesse important). En r\u00e9sum\u00e9, le NAS doit prendre en compte simultan\u00e9ment les m\u00e9triques de pr\u00e9cision (mAP, F1) et les contraintes d\u2019inf\u00e9rence (ms par image, joules par image, m\u00e9moire). Cette optimisation \u00e9quilibr\u00e9e est ce qui rend un mod\u00e8le v\u00e9ritablement op\u00e9rationnel pour une utilisation sur drone.<\/p>\n Pour que les d\u00e9tecteurs NAS fonctionnent correctement, ils doivent \u00eatre entra\u00een\u00e9s et test\u00e9s sur des donn\u00e9es agricoles r\u00e9alistes. Cela implique l'utilisation d'ensembles de donn\u00e9es qui capturent la variabilit\u00e9 des parcelles r\u00e9elles\u00a0: diff\u00e9rentes esp\u00e8ces cultiv\u00e9es, stades de croissance, saisons, conditions d'\u00e9clairage et altitudes. Par exemple, un entra\u00eenement bas\u00e9 uniquement sur des images de jeunes pousses de ma\u00efs risque de ne pas \u00eatre g\u00e9n\u00e9ralisable aux \u00e9pis de bl\u00e9 matures. Des ensembles de donn\u00e9es repr\u00e9sentatifs des parcelles garantissent que le mod\u00e8le apprenne les caract\u00e9ristiques pertinentes pour l'exploitation. L'augmentation des donn\u00e9es (cultures al\u00e9atoires, variations de luminosit\u00e9, flou de mouvement) peut \u00e9galement \u00eatre appliqu\u00e9e lors de l'entra\u00eenement pour simuler les mouvements et l'\u00e9clairage des drones.<\/p>\n Lors de l'\u00e9valuation, il est crucial de tester le mod\u00e8le dans des conditions aussi r\u00e9alistes que possible. Les outils de simulation peuvent s'av\u00e9rer utiles (par exemple, le vol virtuel d'un drone au-dessus de champs 3D), mais les essais en vol r\u00e9el restent la r\u00e9f\u00e9rence absolue. L'\u00e9valuation des performances embarqu\u00e9es est r\u00e9alis\u00e9e en ex\u00e9cutant le mod\u00e8le directement sur le mat\u00e9riel du drone. Apr\u00e8s la phase NAS, le mod\u00e8le candidat a \u00e9t\u00e9 d\u00e9ploy\u00e9 sur un Jetson Nano, ce qui a permis de mesurer une inf\u00e9rence 28,1% plus rapide (comparativement \u00e0 la version de r\u00e9f\u00e9rence YOLOv8n) et une consommation d'\u00e9nergie r\u00e9duite. Ce type de retour d'exp\u00e9rience sur un appareil r\u00e9el confirme que la recherche a abouti \u00e0 un mod\u00e8le r\u00e9pondant pleinement aux exigences.<\/p>\n La g\u00e9n\u00e9ralisation est \u00e9galement cruciale. Un mod\u00e8le peut \u00eatre con\u00e7u et entra\u00een\u00e9 sur une culture sp\u00e9cifique (par exemple, le bl\u00e9), mais les agriculteurs ont besoin de d\u00e9tecteurs fonctionnant sur plusieurs parcelles. L'\u00e9tude a d\u00e9montr\u00e9 une forte g\u00e9n\u00e9ralisation inter-cultures\u00a0: le d\u00e9tecteur issu du NAS, entra\u00een\u00e9 sur une t\u00e2che, a conserv\u00e9 d'excellentes performances sur un jeu de donn\u00e9es d'une autre culture (plantules de coton) sans r\u00e9entra\u00eenement. Cela sugg\u00e8re que le NAS, adapt\u00e9 au d\u00e9ploiement, peut fournir des architectures robustes. Cependant, les changements de domaine (par exemple, le passage des champs de ma\u00efs aux vergers) peuvent n\u00e9cessiter un ajustement ou des recherches compl\u00e9mentaires. Des tests inter-saisons (images d'\u00e9t\u00e9 et d'automne) sont \u00e9galement recommand\u00e9s.<\/p>\n Enfin, chaque nouveau mod\u00e8le doit \u00eatre test\u00e9 sur une plateforme de drones avant son d\u00e9ploiement. Cela inclut l'enregistrement de sa pr\u00e9cision et de sa vitesse sur les drones, la v\u00e9rification de l'absence de surchauffe du mat\u00e9riel et la contr\u00f4le de sa consommation \u00e9lectrique. Ce n'est qu'\u00e0 ces conditions que les agriculteurs pourront lui faire confiance pour la surveillance des zones critiques. En combinant une formation adapt\u00e9e au terrain et une \u00e9valuation rigoureuse du mat\u00e9riel, les syst\u00e8mes NAS adapt\u00e9s au d\u00e9ploiement permettent de fournir des d\u00e9tecteurs non seulement efficaces en th\u00e9orie, mais aussi \u00e9prouv\u00e9s sur le terrain.<\/p>\n Le NAS adapt\u00e9 au d\u00e9ploiement offre plusieurs avantages ind\u00e9niables par rapport aux mod\u00e8les traditionnels con\u00e7us manuellement pour les drones\u00a0:<\/p>\n 1. Meilleurs compromis en mati\u00e8re de performances :<\/strong> Les mod\u00e8les trouv\u00e9s par NAS offrent g\u00e9n\u00e9ralement de meilleures combinaisons de pr\u00e9cision, de vitesse et d'efficacit\u00e9 \u00e9nerg\u00e9tique. Par exemple, le meilleur mod\u00e8le a \u00e9t\u00e9 28% plus rapide et a consomm\u00e9 18,5% d'\u00e9nergie en moins sur Jetson Nano que le mod\u00e8le de r\u00e9f\u00e9rence YOLOv8n s\u00e9lectionn\u00e9 manuellement, tout en ne perdant qu'environ 2% en mAP de d\u00e9tection. Obtenir un tel \u00e9quilibre manuellement serait tr\u00e8s difficile.<\/p>\n 2. G\u00e9n\u00e9ralisation am\u00e9lior\u00e9e\u00a0:<\/strong> Les mod\u00e8les d\u00e9couverts par NAS sont plus adaptables aux nouvelles conditions, car la recherche peut int\u00e9grer des donn\u00e9es ou des objectifs vari\u00e9s. Le d\u00e9tecteur con\u00e7u automatiquement s'est av\u00e9r\u00e9 performant pour diff\u00e9rents types de cultures (bl\u00e9 et coton) et de conditions d'\u00e9clairage. Cette grande robustesse est essentielle lorsque les vols rencontrent des situations impr\u00e9vues.<\/p>\n 3. R\u00e9duction des efforts d'ing\u00e9nierie\u00a0:<\/strong> NAS automatise de nombreux essais et erreurs. Au lieu d'ajuster manuellement la taille des couches et de tester de nombreuses solutions, un NAS adapt\u00e9 au d\u00e9ploiement explore it\u00e9rativement les options et trouve la conception optimale. Cela permet de gagner du temps de d\u00e9veloppement et de mobiliser des comp\u00e9tences, tout en simplifiant la mise \u00e0 jour des d\u00e9tecteurs pour de nouvelles t\u00e2ches ou de nouveaux mat\u00e9riels.<\/p>\n 4. \u00c9volutivit\u00e9 :<\/strong> Une fois configur\u00e9, le syst\u00e8me NAS peut \u00eatre utilis\u00e9 pour diff\u00e9rentes plateformes de drones ou missions. Par exemple, ce m\u00eame syst\u00e8me NAS, adapt\u00e9 au d\u00e9ploiement, peut rechercher un d\u00e9tecteur optimis\u00e9 pour une r\u00e9solution de cam\u00e9ra ou un mod\u00e8le de drone diff\u00e9rent en modifiant simplement les param\u00e8tres d'entr\u00e9e. Cette approche est bien plus flexible que de repenser enti\u00e8rement les r\u00e9seaux pour chaque sc\u00e9nario.<\/p>\n Le NAS adaptatif au d\u00e9ploiement est puissant, mais pas une solution miracle. Son utilisation doit \u00eatre r\u00e9fl\u00e9chie, en tenant compte de ses besoins en ressources et de la variabilit\u00e9 de l'environnement cible. Malgr\u00e9 son potentiel, le NAS adaptatif au d\u00e9ploiement pr\u00e9sente des d\u00e9fis\u00a0:<\/p>\n 1. Co\u00fbt de recherche \u00e9lev\u00e9\u00a0:<\/strong> L'exploration de l'espace d'architecture NAS peut n\u00e9cessiter une puissance de calcul consid\u00e9rable. M\u00eame avec des algorithmes performants, elle peut prendre de nombreuses heures de calcul GPU (ou des ressources de calcul sp\u00e9cialis\u00e9es). Sans une gestion rigoureuse, cette surcharge de recherche peut s'av\u00e9rer prohibitive pour certaines \u00e9quipes.<\/p>\n 2. Biais des donn\u00e9es et d\u00e9calage de domaine\u00a0:<\/strong> La qualit\u00e9 du NAS d\u00e9pend de la qualit\u00e9 des donn\u00e9es utilis\u00e9es. Si les images d'entra\u00eenement ne sont pas repr\u00e9sentatives des conditions r\u00e9elles, l'architecture trouv\u00e9e risque d'\u00eatre moins performante en pratique. Par exemple, un mod\u00e8le optimis\u00e9 pour un type de culture ou une r\u00e9gion g\u00e9ographique donn\u00e9s pourrait ne pas \u00eatre parfaitement adaptable \u00e0 d'autres sans adaptation suppl\u00e9mentaire.<\/p>\n 3. H\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 mat\u00e9rielle\u00a0:<\/strong> Le mat\u00e9riel des drones se d\u00e9cline en de nombreuses versions (diff\u00e9rents GPU, CPU et FPGA embarqu\u00e9s). Un mod\u00e8le optimis\u00e9 pour une carte peut ne pas l'\u00eatre pour une autre. Les NAS prenant en compte le d\u00e9ploiement doivent soit relancer les recherches pour chaque plateforme, soit utiliser des crit\u00e8res de s\u00e9lection restrictifs compatibles avec toutes, ce qui peut limiter les performances.<\/p>\n 4. Contraintes pratiques :<\/strong> Le d\u00e9ploiement concret de drones en agriculture implique des probl\u00e9matiques telles que les mises \u00e0 jour du r\u00e9seau \u00e0 distance, l'int\u00e9gration du syst\u00e8me avec le contr\u00f4le de vol et la certification de s\u00e9curit\u00e9. M\u00eame le meilleur mod\u00e8le de syst\u00e8me d'aide \u00e0 la conduite (NAS) doit \u00eatre int\u00e9gr\u00e9 \u00e0 un syst\u00e8me de drone complet. La coordination des mises \u00e0 jour des mod\u00e8les, des approbations r\u00e9glementaires et de la formation des agriculteurs repr\u00e9sente un d\u00e9fi non technique.<\/p>\n L'avenir verra probablement une int\u00e9gration encore plus \u00e9troite de la conception des mod\u00e8les, des technologies de capteurs et du contr\u00f4le des drones. Les syst\u00e8mes NAS adapt\u00e9s au d\u00e9ploiement resteront un outil cl\u00e9 dans ce processus de co-conception. Plusieurs pistes prometteuses se dessinent\u00a0:<\/p>\n 1. NAS en ligne et adaptatif\u00a0:<\/strong> Au lieu d'une recherche hors ligne ponctuelle, les syst\u00e8mes futurs pourraient ajuster le r\u00e9seau en temps r\u00e9el ou entre les vols. Par exemple, un drone pourrait d\u00e9marrer avec un mod\u00e8le de base et, gr\u00e2ce \u00e0 des algorithmes NAS l\u00e9gers, s'adapter en temps r\u00e9el aux nouvelles conditions d'\u00e9clairage ou de terrain. Ce \u201c\u00a0NAS embarqu\u00e9\u00a0\u201d repr\u00e9sente un d\u00e9fi de taille, mais pourrait consid\u00e9rablement am\u00e9liorer l'adaptabilit\u00e9.<\/p>\n 2. Co-conception des capteurs et des mod\u00e8les\u00a0:<\/strong> Les futurs syst\u00e8mes d'agriculture de pr\u00e9cision pourraient optimiser conjointement le choix de la cam\u00e9ra (RGB, multispectrale, infrarouge) et du r\u00e9seau neuronal. Les syst\u00e8mes de r\u00e9seau neuronal (NAS) adapt\u00e9s au d\u00e9ploiement pourraient int\u00e9grer les param\u00e8tres des capteurs (comme les bandes spectrales utilis\u00e9es) dans leur recherche, afin de trouver la meilleure combinaison de mat\u00e9riel et de mod\u00e8le.<\/p>\n 3. Int\u00e9gration multispectrale\/hyperspectrale\u00a0:<\/strong> Comme le sugg\u00e8re l'\u00e9tude sur les maladies du coton, l'int\u00e9gration d'images multispectrales peut am\u00e9liorer la d\u00e9tection, notamment des probl\u00e8mes \u00e0 un stade pr\u00e9coce. Les futurs syst\u00e8mes d'observation du sol pourraient explorer des mod\u00e8les multispectraux fusionnant les canaux RVB et proche infrarouge afin de d\u00e9tecter plus efficacement les changements subtils chez les plantes.<\/p>\n 4. Cha\u00eenes de d\u00e9cision autonomes\u00a0:<\/strong> \u00c0 terme, les d\u00e9tecteurs optimis\u00e9s pour les syst\u00e8mes NAS pourraient permettre une autonomie compl\u00e8te. Par exemple, un drone pourrait g\u00e9n\u00e9rer automatiquement un plan de pulv\u00e9risation ou alerter les responsables agricoles s'il d\u00e9tecte certaines conditions. Les syst\u00e8mes NAS adapt\u00e9s au d\u00e9ploiement pourraient \u00eatre \u00e9tendus \u00e0 des cha\u00eenes de traitement compl\u00e8tes (mod\u00e8les de d\u00e9tection et d'action), optimisant ainsi l'ensemble du syst\u00e8me.<\/p>\n 5. Consid\u00e9rations \u00e9thiques et environnementales :<\/strong> \u00c0 mesure que les drones gagnent en capacit\u00e9s, il est imp\u00e9ratif de prendre en compte le respect de la vie priv\u00e9e, la s\u00e9curit\u00e9 de l'espace a\u00e9rien et les r\u00e9percussions sur le travail agricole (comme l'ont soulign\u00e9 Agrawal et Arafat). Garantir une utilisation responsable des drones optimis\u00e9s pour le NAS en agriculture constitue un objectif majeur pour l'avenir.<\/p>\n L'approche NAS (Network Access Research) adapt\u00e9e au d\u00e9ploiement repr\u00e9sente une solution performante pour concevoir des d\u00e9tecteurs d'objets l\u00e9gers destin\u00e9s \u00e0 la surveillance des cultures par drone. En int\u00e9grant les contraintes mat\u00e9rielles et de mission du drone dans la recherche, elle g\u00e9n\u00e8re des mod\u00e8les qui permettent de r\u00e9duire la consommation d'\u00e9nergie et les co\u00fbts de calcul sans compromettre significativement la pr\u00e9cision. Par exemple, des travaux r\u00e9cents ont d\u00e9montr\u00e9 qu'un d\u00e9tecteur con\u00e7u avec NAS utilisait 371 TP3T d'op\u00e9rations en virgule flottante (FLOP) et 611 TP3T de param\u00e8tres en moins que le d\u00e9tecteur de r\u00e9f\u00e9rence YOLOv8n, tout en conservant une mAP (pr\u00e9cision relative moyenne) r\u00e9duite de seulement ~21 TP3T.<\/p>\n Sur les drones eux-m\u00eames, cela s'est traduit par une inf\u00e9rence plus rapide (28%) et une meilleure efficacit\u00e9 \u00e9nerg\u00e9tique (18%). Ces gains permettent d'allonger l'autonomie des vols, d'acc\u00e9l\u00e9rer l'analyse et d'offrir un soutien agricole plus r\u00e9actif. Compar\u00e9 aux mod\u00e8les con\u00e7us manuellement, le NAS adapt\u00e9 au d\u00e9ploiement offre une meilleure g\u00e9n\u00e9ralisation des performances, un effort de r\u00e9glage manuel r\u00e9duit et une \u00e9volutivit\u00e9 vers de nouvelles plateformes de drones.<\/p>\n Dans le contexte de l'agriculture de pr\u00e9cision, ces am\u00e9liorations rendent la surveillance des cultures par drones plus pratique et efficace. Les drones \u00e9quip\u00e9s de d\u00e9tecteurs optimis\u00e9s pour les r\u00e9seaux de neurones artificiels (NAS) rep\u00e8rent plus facilement les adventices, les ravageurs et le stress hydrique, permettant des interventions opportunes qui \u00e9conomisent les ressources et augmentent les rendements. \u00c0 mesure que l'agriculture adopte les drones et l'intelligence artificielle, les NAS adapt\u00e9s au d\u00e9ploiement joueront un r\u00f4le central pour garantir l'efficacit\u00e9, la pr\u00e9cision et l'applicabilit\u00e9 sur le terrain des mod\u00e8les embarqu\u00e9s. Ils comblent le foss\u00e9 entre la recherche de pointe sur les r\u00e9seaux de neurones et les besoins concrets des agriculteurs, contribuant ainsi \u00e0 fa\u00e7onner l'avenir d'une agriculture de pr\u00e9cision ax\u00e9e sur les donn\u00e9es.<\/p>","protected":false},"excerpt":{"rendered":" Les v\u00e9hicules a\u00e9riens sans pilote (UAV), ou drones, transforment l'agriculture moderne en fournissant des vues a\u00e9riennes rapides des champs. Ils sont utilis\u00e9s pour surveiller l'\u00e9tat sanitaire des cultures\u2026<\/p>","protected":false},"author":210157960,"featured_media":12831,"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":[1377],"tags":[],"class_list":["post-12824","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-crop-monitoring"],"acf":[],"yoast_head":"\n![\"Exigences](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/UAV-Object-Detection-Requirements-in-Crop-Monitoring.jpg?resize=810%2C789&ssl=1\")
<\/p>\nD\u00e9tecteurs d'objets l\u00e9gers pour plateformes de drones<\/h2>\n
![\"D\u00e9tecteurs](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Lightweight-Object-Detectors-for-UAV-Platforms.webp?resize=810%2C810&ssl=1\")
<\/p>\nRecherche d'architecture neuronale dans les syst\u00e8mes de vision embarqu\u00e9s sur drones<\/h2>\n
NAS prenant en compte le d\u00e9ploiement\u00a0: Principes fondamentaux<\/h2>\n
![\"NAS](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Deployment-Aware-NAS-Core-Principles.webp?resize=810%2C810&ssl=1\")
<\/p>\nR\u00f4le des NAS adapt\u00e9s au d\u00e9ploiement dans la surveillance de l'agriculture de pr\u00e9cision<\/h2>\n
![\"R\u00f4le](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Role-of-Deployment-Aware-NAS-in-Precision-Agriculture-Monitoring.webp?resize=810%2C810&ssl=1\")
<\/p>\nConception de l'espace de recherche pour les d\u00e9tecteurs de drones agricoles<\/h2>\n
Objectifs et contraintes d'optimisation<\/h2>\n
Formation et \u00e9valuation dans des contextes agricoles r\u00e9alistes<\/h2>\n
![\"Formation](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/02\/Training-and-Evaluation-in-Realistic-Agricultural-Settings.webp?resize=810%2C810&ssl=1\")
<\/p>\nAvantages par rapport aux d\u00e9tecteurs de drones con\u00e7us manuellement<\/h2>\n
D\u00e9fis et limites<\/h2>\n
Orientations futures<\/h2>\n
Conclusion<\/h2>\n