{"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":"uprawa-jeczmienia-zyskuje-na-popularnosci-dzieki-lekkiej-detekcji-yolov5","status":"publish","type":"post","link":"https:\/\/geopard.tech\/pl\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/","title":{"rendered":"Uprawa j\u0119czmienia zyskuje na popularno\u015bci dzi\u0119ki lekkiej detekcji YOLOv5"},"content":{"rendered":"

J\u0119czmie\u0144 g\u00f3rski, odporna ro\u015blina zbo\u017cowa uprawiana w wysokog\u00f3rskich regionach chi\u0144skiego p\u0142askowy\u017cu Qinghai-Tybet, odgrywa kluczow\u0105 rol\u0119 w lokalnym bezpiecze\u0144stwie \u017cywno\u015bciowym i stabilno\u015bci gospodarczej. Znany naukowo jako\u00a0Hordeum vulgare<\/em>\u00a0L., ro\u015blina ta dobrze ro\u015bnie w ekstremalnych warunkach \u2013 rozrzedzonym powietrzu, niskim st\u0119\u017ceniu tlenu i \u015bredniej rocznej temperaturze wynosz\u0105cej 6,3\u00b0C \u2013 co sprawia, \u017ce jest niezast\u0105piona dla spo\u0142eczno\u015bci \u017cyj\u0105cych w trudnych warunkach \u015brodowiskowych.<\/p>\n

J\u0119czmie\u0144 g\u00f3rski, z ponad 270 000 hektar\u00f3w przeznaczonych na upraw\u0119 w Chinach, g\u0142\u00f3wnie w Regionie Autonomicznym Xizang, stanowi ponad po\u0142ow\u0119 powierzchni upraw w tym regionie i ponad 701 ton sze\u015bciennych (TP3T) ca\u0142kowitej produkcji ziarna. Dok\u0142adne monitorowanie zag\u0119szczenia j\u0119czmienia \u2013 liczby ro\u015blin lub k\u0142os\u00f3w na jednostk\u0119 powierzchni \u2013 jest niezb\u0119dne do optymalizacji praktyk rolniczych, takich jak nawadnianie i nawo\u017cenie, oraz prognozowania plon\u00f3w.<\/p>\n

Jednak tradycyjne metody, takie jak r\u0119czne pobieranie pr\u00f3bek czy obrazowanie satelitarne, okaza\u0142y si\u0119 nieefektywne, pracoch\u0142onne lub niewystarczaj\u0105co szczeg\u00f3\u0142owe. Aby sprosta\u0107 tym wyzwaniom, naukowcy z Uniwersytetu Rolnictwa i Le\u015bnictwa w Fujianie oraz Uniwersytetu Technologicznego w Chengdu opracowali innowacyjny model sztucznej inteligencji oparty na YOLOv5, najnowocze\u015bniejszym algorytmie wykrywania obiekt\u00f3w.<\/p>\n

Ich praca opublikowana w\u00a0Metody ro\u015blinne<\/em>\u00a0(2025) osi\u0105gn\u0105\u0142 niezwyk\u0142e wyniki, w tym \u015bredni\u0105 precyzj\u0119 (mAP) wynosz\u0105c\u0105 93,1% \u2014 wska\u017anik mierz\u0105cy og\u00f3ln\u0105 dok\u0142adno\u015b\u0107 wykrywania \u2014 i redukcj\u0119 koszt\u00f3w obliczeniowych o 75,6%, co czyni go odpowiednim do stosowania w przypadku dron\u00f3w w czasie rzeczywistym.<\/p>\n

Wyzwania i innowacje w monitorowaniu upraw<\/h2>\n

Znaczenie j\u0119czmienia g\u00f3rskiego wykracza poza jego rol\u0119 jako \u017ar\u00f3d\u0142a po\u017cywienia. Tylko w 2022 roku w Rikaze, regionie b\u0119d\u0105cym g\u0142\u00f3wnym producentem j\u0119czmienia, zebrano 408 900 ton j\u0119czmienia na obszarze 60 000 hektar\u00f3w, co stanowi\u0142o prawie po\u0142ow\u0119 ca\u0142kowitej produkcji zbo\u017ca w Tybecie.<\/p>\n

Pomimo znaczenia kulturowego i ekonomicznego, szacowanie plon\u00f3w j\u0119czmienia od dawna stanowi wyzwanie. Tradycyjne metody, takie jak r\u0119czne liczenie czy zdj\u0119cia satelitarne, s\u0105 albo zbyt pracoch\u0142onne, albo nie zapewniaj\u0105 wystarczaj\u0105cej rozdzielczo\u015bci, aby wykry\u0107 pojedyncze k\u0142osy j\u0119czmienia \u2013 cz\u0119\u015bci ro\u015bliny, w kt\u00f3rej znajduje si\u0119 ziarno, cz\u0119sto o szeroko\u015bci zaledwie 2\u20133 centymetr\u00f3w.<\/p>\n

R\u0119czne pobieranie pr\u00f3bek wymaga od rolnik\u00f3w fizycznej inspekcji poszczeg\u00f3lnych fragment\u00f3w pola \u2013 procesu powolnego, subiektywnego i niepraktycznego w przypadku du\u017cych gospodarstw rolnych. Zdj\u0119cia satelitarne, cho\u0107 przydatne do szerokich obserwacji, borykaj\u0105 si\u0119 z nisk\u0105 rozdzielczo\u015bci\u0105 (cz\u0119sto 10\u201330 metr\u00f3w na piksel) i cz\u0119stymi zak\u0142\u00f3ceniami pogodowymi, takimi jak zachmurzenie w regionach g\u00f3rskich, takich jak Tybet.<\/p>\n

Aby pokona\u0107 te ograniczenia, naukowcy si\u0119gn\u0119li po bezza\u0142ogowe statki powietrzne (UAV), czyli drony, wyposa\u017cone w kamery o rozdzielczo\u015bci 20 megapikseli. Drony te wykona\u0142y 501 zdj\u0119\u0107 w wysokiej rozdzielczo\u015bci p\u00f3l j\u0119czmienia w mie\u015bcie Rikaze w dw\u00f3ch krytycznych fazach wzrostu: fazie wzrostu w sierpniu 2022 roku, charakteryzuj\u0105cej si\u0119 zielonymi, rozwijaj\u0105cymi si\u0119 k\u0142osami, oraz fazie dojrzewania w sierpniu 2023 roku, charakteryzuj\u0105cej si\u0119 z\u0142ocisto\u017c\u00f3\u0142tymi, gotowymi do zbioru k\u0142osami.<\/p>\n

\"Monitorowanie<\/p>\n

Jednak analiza tych obraz\u00f3w stwarza\u0142a pewne trudno\u015bci, m.in. ze wzgl\u0119du na rozmyte kraw\u0119dzie spowodowane ruchem drona, niewielki rozmiar k\u0142os\u00f3w j\u0119czmienia na zdj\u0119ciach lotniczych oraz nak\u0142adanie si\u0119 k\u0142os\u00f3w na g\u0119sto obsianych polach.<\/p>\n

Aby rozwi\u0105za\u0107 te problemy, badacze przetworzyli obrazy wst\u0119pnie, dziel\u0105c ka\u017cdy obraz o wysokiej rozdzielczo\u015bci na 35 mniejszych podobraz\u00f3w i filtruj\u0105c rozmyte kraw\u0119dzie, co zaowocowa\u0142o 2970 wysokiej jako\u015bci podobrazami do treningu. Ten etap wst\u0119pnego przetwarzania zapewni\u0142, \u017ce model skoncentrowa\u0142 si\u0119 na przejrzystych, u\u017cytecznych danych, unikaj\u0105c zak\u0142\u00f3ce\u0144 pochodz\u0105cych z obszar\u00f3w o niskiej jako\u015bci.<\/p>\n

Post\u0119p techniczny w wykrywaniu obiekt\u00f3w<\/h2>\n

Kluczowym elementem tych bada\u0144 jest algorytm YOLOv5 (You Only Look Once, wersja 5), jednoetapowy model detekcji obiekt\u00f3w, znany ze swojej szybko\u015bci i modu\u0142owej konstrukcji. W przeciwie\u0144stwie do starszych modeli dwuetapowych, takich jak Faster R-CNN, kt\u00f3re najpierw identyfikuj\u0105 obszary zainteresowania, a nast\u0119pnie klasyfikuj\u0105 obiekty, YOLOv5 przeprowadza detekcj\u0119 w jednym przej\u015bciu, co znacznie przyspiesza proces.<\/p>\n

Bazowy model YOLOv5n, z 1,76 miliona parametr\u00f3w (konfigurowalnych komponent\u00f3w modelu AI) i 4,1 miliarda FLOP-\u00f3w (operacji zmiennoprzecinkowych, miary z\u0142o\u017cono\u015bci obliczeniowej), by\u0142 ju\u017c wydajny. Jednak wykrywanie drobnych, nak\u0142adaj\u0105cych si\u0119 skok\u00f3w j\u0119czmienia wymaga\u0142o dalszej optymalizacji.<\/p>\n

Zesp\u00f3\u0142 badawczy wprowadzi\u0142 do modelu trzy kluczowe udoskonalenia: splot rozdzielny pod wzgl\u0119dem g\u0142\u0119boko\u015bci (DSConv), splot widmowy (GhostConv) i modu\u0142 uwagi bloku splotowego (CBAM).<\/p>\n

G\u0142\u0119boko rozdzielny splot (DSConv) zmniejsza koszty obliczeniowe poprzez podzielenie standardowego procesu splotu \u2013 operacji matematycznej wyodr\u0119bniaj\u0105cej cechy z obraz\u00f3w \u2013 na dwa etapy. Najpierw splot g\u0142\u0119binowy nak\u0142ada filtry na poszczeg\u00f3lne kana\u0142y kolor\u00f3w (np. czerwony, zielony, niebieski), analizuj\u0105c ka\u017cdy kana\u0142 oddzielnie.<\/p>\n

Nast\u0119pnie nast\u0119puje splot punktowy, kt\u00f3ry \u0142\u0105czy wyniki z r\u00f3\u017cnych kana\u0142\u00f3w za pomoc\u0105 j\u0105der 1\u00d71. To podej\u015bcie redukuje liczb\u0119 parametr\u00f3w nawet o 75%.<\/p>\n

\"Redukcja<\/p>\n

Na przyk\u0142ad tradycyjny splot 3\u00d73 z 64 kana\u0142ami wej\u015bciowymi i 128 kana\u0142ami wyj\u015bciowymi wymaga 73\u00a0728 parametr\u00f3w, podczas gdy DSConv redukuje t\u0119 liczb\u0119 do zaledwie 8768 \u2013 co stanowi redukcj\u0119 o 88%. Ta wydajno\u015b\u0107 ma kluczowe znaczenie w przypadku wdra\u017cania modeli na dronach lub urz\u0105dzeniach mobilnych o ograniczonej mocy obliczeniowej.<\/p>\n

Splot duch\u00f3w (GhostConv) jeszcze bardziej upraszcza model, generuj\u0105c dodatkowe mapy cech \u2014 uproszczone reprezentacje wzorc\u00f3w obrazu \u2014 za pomoc\u0105 prostych operacji liniowych, takich jak obr\u00f3t lub skalowanie, zamiast wymagaj\u0105cych du\u017cych zasob\u00f3w splot\u00f3w.<\/p>\n

Tradycyjne warstwy splotu generuj\u0105 zb\u0119dne cechy, marnuj\u0105c zasoby obliczeniowe. GhostConv rozwi\u0105zuje ten problem, tworz\u0105c \u201cwidma\u201d cech z istniej\u0105cych, co skutecznie zmniejsza o po\u0142ow\u0119 parametry w niekt\u00f3rych warstwach.<\/p>\n

Na przyk\u0142ad warstwa z 64 kana\u0142ami wej\u015bciowymi i 128 kana\u0142ami wyj\u015bciowymi tradycyjnie wymaga\u0142aby\u00a073 728 parametr\u00f3w<\/strong>, ale GhostConv redukuje to do\u00a036,864<\/strong>\u00a0przy jednoczesnym zachowaniu dok\u0142adno\u015bci. Ta technika jest szczeg\u00f3lnie przydatna do wykrywania ma\u0142ych obiekt\u00f3w, takich jak k\u0142osy j\u0119czmienia, gdzie wydajno\u015b\u0107 obliczeniowa ma kluczowe znaczenie.<\/p>\n

Zintegrowano modu\u0142 uwagi blok\u00f3w splotowych (CBAM), aby pom\u00f3c modelowi skupi\u0107 si\u0119 na kluczowych cechach, nawet w zat\u0142oczonych \u015brodowiskach. Mechanizmy uwagi, inspirowane ludzkimi systemami wzrokowymi, pozwalaj\u0105 modelom AI nadawa\u0107 priorytet wa\u017cnym elementom obrazu.<\/p>\n

CBAM wykorzystuje dwa rodzaje uwagi: uwag\u0119 kana\u0142ow\u0105, kt\u00f3ra identyfikuje wa\u017cne kana\u0142y kolor\u00f3w (np. zielony dla rosn\u0105cych kolc\u00f3w) oraz uwag\u0119 przestrzenn\u0105, kt\u00f3ra pod\u015bwietla kluczowe obszary obrazu (np. skupiska kolc\u00f3w). Zast\u0119puj\u0105c standardowe modu\u0142y DSConv i GhostConv oraz w\u0142\u0105czaj\u0105c CBAM, naukowcy stworzyli uproszczony i precyzyjniejszy model dostosowany do wykrywania j\u0119czmienia.<\/p>\n

Wdra\u017canie i wyniki<\/h2>\n

Aby wytrenowa\u0107 model, badacze r\u0119cznie oznaczyli 135 oryginalnych obraz\u00f3w za pomoc\u0105 ramek ograniczaj\u0105cych \u2013 prostok\u0105tnych ramek oznaczaj\u0105cych po\u0142o\u017cenie k\u0142os\u00f3w j\u0119czmienia \u2013 kategoryzuj\u0105c k\u0142osy na fazy wzrostu i dojrzewania. Techniki augmentacji danych \u2013 w tym rotacja, wstrzykiwanie szumu, okluzja i wyostrzanie \u2013 rozszerzy\u0142y zbi\u00f3r danych do 2970 obraz\u00f3w, poprawiaj\u0105c zdolno\u015b\u0107 modelu do generalizacji w r\u00f3\u017cnych warunkach terenowych.<\/p>\n

Na przyk\u0142ad, obracanie obraz\u00f3w o 90\u00b0, 180\u00b0 lub 270\u00b0 pomog\u0142o modelowi rozpozna\u0107 impulsy pod r\u00f3\u017cnymi k\u0105tami, jednocze\u015bnie dodaj\u0105c szum symuluj\u0105cy niedoskona\u0142o\u015bci \u015bwiata rzeczywistego, takie jak kurz czy cienie. Zbi\u00f3r danych podzielono na zbi\u00f3r treningowy (80%) i zbi\u00f3r walidacyjny (20%), co zapewni\u0142o solidn\u0105 ocen\u0119.<\/p>\n

Trening odby\u0142 si\u0119 na wydajnym systemie z procesorem AMD Ryzen 7, kart\u0105 graficzn\u0105 NVIDIA RTX 4060 i 64 GB pami\u0119ci RAM, z wykorzystaniem frameworka PyTorch \u2013 popularnego narz\u0119dzia do g\u0142\u0119bokiego uczenia. Skrupulatnie \u015bledzono ponad 300 epok treningowych (pe\u0142ne przej\u015bcia przez zbi\u00f3r danych), precyzj\u0119 modelu (dok\u0142adno\u015b\u0107 prawid\u0142owych detekcji), wywo\u0142ywalno\u015b\u0107 (zdolno\u015b\u0107 do znajdowania wszystkich istotnych impuls\u00f3w) oraz strat\u0119 (wsp\u00f3\u0142czynnik b\u0142\u0119d\u00f3w).<\/p>\n

Wyniki by\u0142y uderzaj\u0105ce. Ulepszony model YOLOv5 osi\u0105gn\u0105\u0142 precyzj\u0119 92,2% (w por\u00f3wnaniu z 89,1% w punkcie bazowym) i czu\u0142o\u015b\u0107 86,2% (w por\u00f3wnaniu z 83,1%), przewy\u017cszaj\u0105c model bazowy YOLOv5n o 3,1% w obu metrykach. Jego \u015brednia precyzja (mAP) \u2013 kompleksowa metryka u\u015bredniaj\u0105ca dok\u0142adno\u015b\u0107 wykrywania we wszystkich kategoriach \u2013 osi\u0105gn\u0119\u0142a 93,1%, z indywidualnymi wynikami 92,7% dla skok\u00f3w w fazie wzrostu i 93,5% dla skok\u00f3w w fazie dojrzewania.<\/p>\n

\"Wyniki<\/p>\n

R\u00f3wnie imponuj\u0105ca by\u0142a jego wydajno\u015b\u0107 obliczeniowa: parametry modelu spad\u0142y o 70,6% do 1,2 miliona, a liczba operacji na sekund\u0119 (FLOP) zmniejszy\u0142a si\u0119 o 75,6% do 3,1 miliarda. Analizy por\u00f3wnawcze z wiod\u0105cymi modelami, takimi jak Faster R-CNN i YOLOv8n, podkre\u015bli\u0142y jego wy\u017cszo\u015b\u0107.<\/p>\n

Chocia\u017c YOLOv8n osi\u0105gn\u0105\u0142 nieco wy\u017cszy mAP (93,8%), jego parametry (3,0 mln) i liczba operacji FLOP (8,1 mld) by\u0142y odpowiednio 2,5x i 2,6x wy\u017csze, co sprawia, \u017ce proponowany model jest znacznie wydajniejszy w aplikacjach czasu rzeczywistego.<\/p>\n

Por\u00f3wnania wizualne podkre\u015bli\u0142y te post\u0119py. Na obrazach fazy wzrostu ulepszony model wykry\u0142 41 pik\u00f3w w por\u00f3wnaniu z 28 na poziomie bazowym. W trakcie dojrzewania zidentyfikowa\u0142 3 piki w por\u00f3wnaniu z 2 na poziomie bazowym, z mniejsz\u0105 liczb\u0105 pomini\u0119tych detekcji (oznaczonych pomara\u0144czowymi strza\u0142kami) i wynik\u00f3w fa\u0142szywie dodatnich (oznaczonych fioletowymi strza\u0142kami).<\/p>\n

Te udoskonalenia s\u0105 niezb\u0119dne dla rolnik\u00f3w, kt\u00f3rzy polegaj\u0105 na dok\u0142adnych danych, aby przewidywa\u0107 plony i optymalizowa\u0107 zasoby. Na przyk\u0142ad, precyzyjne liczenie p\u0119d\u00f3w umo\u017cliwia lepsze oszacowanie produkcji ziarna, a tym samym podejmowanie decyzji dotycz\u0105cych terminu zbior\u00f3w, przechowywania i planowania rynku.<\/p>\n

Przysz\u0142e kierunki i praktyczne implikacje<\/h2>\n

Pomimo sukcesu, badanie ujawni\u0142o pewne ograniczenia. Wydajno\u015b\u0107 spada\u0142a w ekstremalnych warunkach o\u015bwietleniowych, takich jak ostre ol\u015bnienie w po\u0142udnie lub g\u0119ste cienie, kt\u00f3re mog\u0105 zas\u0142ania\u0107 szczeg\u00f3\u0142y kolc\u00f3w. Ponadto prostok\u0105tne pola ograniczaj\u0105ce czasami nie pasowa\u0142y do kolc\u00f3w o nieregularnym kszta\u0142cie, co powodowa\u0142o drobne niedok\u0142adno\u015bci.<\/p>\n

Model ten wykluczy\u0142 r\u00f3wnie\u017c rozmyte kraw\u0119dzie ze zdj\u0119\u0107 wykonanych przez bezza\u0142ogowy statek powietrzny, co wymaga\u0142o r\u0119cznego wst\u0119pnego przetwarzania, co wyd\u0142u\u017ca\u0142o proces i zwi\u0119ksza\u0142o jego z\u0142o\u017cono\u015b\u0107.<\/p>\n

Dalsze prace maj\u0105 na celu rozwi\u0105zanie tych problem\u00f3w poprzez rozszerzenie zestawu danych o obrazy wykonane o \u015bwicie, w po\u0142udnie i o zmierzchu, eksperymentowanie z adnotacjami w kszta\u0142cie wielok\u0105t\u00f3w (elastyczne kszta\u0142ty, kt\u00f3re lepiej pasuj\u0105 do nieregularnych obiekt\u00f3w) i opracowanie algorytm\u00f3w, kt\u00f3re pozwol\u0105 lepiej radzi\u0107 sobie z rozmazanymi obszarami bez konieczno\u015bci r\u0119cznej ingerencji.<\/p>\n

Implikacje tych bada\u0144 s\u0105 znacz\u0105ce. Dla rolnik\u00f3w w regionach takich jak Tybet, model oferuje szacowanie plon\u00f3w w czasie rzeczywistym, zast\u0119puj\u0105c pracoch\u0142onne, r\u0119czne liczenie automatyzacj\u0105 opart\u0105 na dronach. Rozr\u00f3\u017cnienie faz wzrostu umo\u017cliwia precyzyjne planowanie zbior\u00f3w, redukuj\u0105c straty wynikaj\u0105ce z przedwczesnych lub op\u00f3\u017anionych zbior\u00f3w.<\/p>\n

Szczeg\u00f3\u0142owe dane dotycz\u0105ce g\u0119sto\u015bci szczyt\u00f3w \u2013 takie jak identyfikacja obszar\u00f3w s\u0142abo zaludnionych lub przeludnionych \u2013 mog\u0105 stanowi\u0107 podstaw\u0119 strategii nawadniania i nawo\u017cenia, redukuj\u0105c zu\u017cycie wody i \u015brodk\u00f3w chemicznych. Opr\u00f3cz j\u0119czmienia, lekka architektura daje nadziej\u0119 na zastosowanie jej r\u00f3wnie\u017c w uprawach innych ro\u015blin, takich jak pszenica, ry\u017c czy owoce, toruj\u0105c drog\u0119 do szerszych zastosowa\u0144 w rolnictwie precyzyjnym.<\/p>\n

Wniosek<\/h2>\n

Podsumowuj\u0105c, niniejsze badanie ilustruje transformacyjny potencja\u0142 sztucznej inteligencji w rozwi\u0105zywaniu problem\u00f3w w rolnictwie. Udoskonalaj\u0105c YOLOv5 za pomoc\u0105 innowacyjnych, lekkich technik, naukowcy stworzyli narz\u0119dzie, kt\u00f3re \u0142\u0105czy dok\u0142adno\u015b\u0107 i wydajno\u015b\u0107 \u2013 kluczowe dla rzeczywistego wdro\u017cenia w \u015brodowiskach o ograniczonych zasobach.<\/p>\n

Terminy takie jak mAP, FLOP i mechanizmy uwagi mog\u0105 wydawa\u0107 si\u0119 techniczne, ale ich znaczenie jest g\u0142\u0119boko praktyczne: umo\u017cliwiaj\u0105 rolnikom podejmowanie decyzji w oparciu o dane, oszcz\u0119dzanie zasob\u00f3w i maksymalizacj\u0119 plon\u00f3w. W miar\u0119 jak zmiany klimatu i wzrost populacji nasilaj\u0105 presj\u0119 na globalne systemy \u017cywno\u015bciowe, takie post\u0119py b\u0119d\u0105 niezb\u0119dne.<\/p>\n

Dla rolnik\u00f3w z Tybetu i innych kraj\u00f3w technologia ta oznacza nie tylko skok w wydajno\u015bci rolnictwa, ale tak\u017ce promyk nadziei na zr\u00f3wnowa\u017cone bezpiecze\u0144stwo \u017cywno\u015bciowe w niepewnej przysz\u0142o\u015bci.<\/p>\n

Odniesienie: <\/strong>Cai, M., Deng, H., Cai, J. i in. Wykrywanie lekkiego j\u0119czmienia g\u00f3rskiego na podstawie ulepszonego YOLOv5. Plant Methods 21, 42 (2025). https:\/\/doi.org\/10.1186\/s13007-025-01353-0<\/a><\/p>","protected":false},"excerpt":{"rendered":"

J\u0119czmie\u0144 g\u00f3rski, odporna ro\u015blina zbo\u017cowa uprawiana w wysokog\u00f3rskich regionach chi\u0144skiego Wy\u017cyny Qinghai-Tybeta\u0144skiej, odgrywa kluczow\u0105 rol\u0119 w lokalnym bezpiecze\u0144stwie \u017cywno\u015bciowym i gospodarce\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":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":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\/pl\/blog\/uprawa-jeczmienia-zyskuje-na-popularnosci-dzieki-lekkiej-detekcji-yolov5\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\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\/pl\/blog\/uprawa-jeczmienia-zyskuje-na-popularnosci-dzieki-lekkiej-detekcji-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=\"Napisane przez\" \/>\n\t<meta name=\"twitter:data1\" content=\"Muhammad Farjad\" \/>\n\t<meta name=\"twitter:label2\" content=\"Szacowany czas czytania\" \/>\n\t<meta name=\"twitter:data2\" content=\"8 minut\" \/>\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\":[\"Precision Farming\",\"Agriculture Mapping\",\"Crop monitoring\"],\"inLanguage\":\"pl-PL\",\"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\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@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\":\"pl-PL\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@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\":\"pl-PL\",\"@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 plugin. -->","yoast_head_json":{"title":"Uprawa j\u0119czmienia zyskuje na popularno\u015bci dzi\u0119ki lekkiej detekcji 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\/pl\/blog\/uprawa-jeczmienia-zyskuje-na-popularnosci-dzieki-lekkiej-detekcji-yolov5\/","og_locale":"pl_PL","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\/pl\/blog\/uprawa-jeczmienia-zyskuje-na-popularnosci-dzieki-lekkiej-detekcji-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":{"Napisane przez":"Muhammad Farjad","Szacowany czas czytania":"8 minut"},"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":["Precision Farming","Agriculture Mapping","Crop monitoring"],"inLanguage":"pl-PL","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":"Uprawa j\u0119czmienia zyskuje na popularno\u015bci dzi\u0119ki lekkiej detekcji 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":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/barley-farming-gets-a-boost-with-lightweight-yolov5-detection\/"]}]},{"@type":"ImageObject","inLanguage":"pl-PL","@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 - Oprogramowanie dla rolnictwa precyzyjnego","description":"Oprogramowanie do mapowania w rolnictwie precyzyjnym","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":"pl-PL"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard Rolnictwo","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"pl-PL","@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":"pl-PL","@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\/pl\/wp-json\/wp\/v2\/posts\/11559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/users\/210249433"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/comments?post=11559"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/posts\/11559\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/media\/11562"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/media?parent=11559"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/categories?post=11559"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/pl\/wp-json\/wp\/v2\/tags?post=11559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}