Contagem automática de plantas com IA e QGIS

Alexandre Rodrigues
13 de jul.
2 min de leitura

Automatizar a contagem de plantas ou árvores em ortomosaicos de alta resolução é um dos grandes trunfos da agricultura de precisão. Neste tutorial, vamos cobrir o fluxo completo: desde o fatiamento de uma ortofoto gigante em blocos menores até a inferência automática dentro do QGIS.

1. Fatiar a Ortofoto Gigante (.tif) em Blocos 640x640

Imagens de drones (como as geradas no OpenDroneMap) são pesadas demais para serem jogadas direto em um modelo de Deep Learning. O primeiro passo é fatiar o mosaico em pequenos blocos de 640x640 pixels (o padrão do YOLO).

Como arquivos TIFF gerados por softwares de fotogrametria possuem canais de transparência (RGBA), é necessário fazer a conversão para RGB para evitar erros.

Passo 2: Treinar o Modelo YOLO

Após fatiar as imagens, você deve levá-las para uma ferramenta de rotulagem para marcar as árvores com caixas de seleção (bounding boxes) e exportar o dataset no formato YOLOv, em seguida gerar um programa em linguagem de programação para treinar o modelo.

Passo 3: Exportar o Modelo para ONNX

O Deepness do QGIS não aceita o arquivo de pesos nativo do PyTorch (.pt). Ele exige o formato universal ONNX.

Após a conclusão do treino, converter o melhor resultado (best.pt):

Passo 4: Inferência e Detecção Automática no QGIS

Com o arquivo best.onnx em mãos, abra o seu projeto no QGIS com a ortofoto carregada e abra o painel do Deepness.

Configuração dos Parâmetros no Painel do Deepness:

Input channels mapping: Como o ortomosaico original costuma ter 4 bandas (RGBA) e o YOLO foi treinado em 3 (RGB), marque a opção Default (image channels passed in sequence as input channels). O plugin usará automaticamente as três primeiras bandas.
Processing parameters:
- Tile size [px]: Garanta que esteja em 640 (bloqueado pelo modelo).
- Tiles overlap [%]: Defina em 15% a 25%. Isso cria uma zona de sobreposição para que árvores cortadas na borda de um bloco não passem batidas ou sejam contadas duas vezes.
Detection parameters:
- Detector type: Escolha rigorosamente YOLO.
- Confidence: Comece testando com 0.45 (45%). Se notar que o modelo está perdendo árvores pequenas, abaixe para 0.30. Se estiver confundindo sombras com plantas, aumente para 0.60.
- IoU threshold: Mantenha em 0.45 para evitar duplicidade de caixas na mesma árvore.