You can deploy this model and start earning money today!

alexp97/
agrovision-plantcount

Name: agrovision-plantcount
Availability: InStock

onnx

instance-segmentation

Views

No views yet

AgroVisión PlantCount v1.0.0

Modelo de segmentación de instancias para conteo de plantas de arándano (blueberry) en imágenes aéreas de alta resolución.

Resumen

Campo	Valor
Arquitectura	RF-DETR-Seg Nano
Tarea	Segmentación de instancias
Cultivo	Arándano (blueberry)
Clases	1 (Nevado/arbusto)
Licencia	Apache 2.0
Versión	1.0.0

Métricas

Métrica	Box	Mask
mAP 50	0.892	0.889
mAP 50:95	0.778	0.773
Precision	0.918	0.914
Recall	0.808	0.797
F1	0.86	0.86

Uso

Requisitos

pip install onnxruntime

Inferencia

python

import onnxruntime as ort
import numpy as np

# Cargar modelo
sess = ort.InferenceSession("agrovision-plantcount-v1.0.0.onnx")

# Preparar imagen (RGB, 0-1, letterbox a 312x312)
image = np.random.rand(1, 3, 312, 312).astype(np.float32)

# Inferencia
outputs = sess.run(None, {"images": image})
dets, labels, masks = outputs

# Filtrar por confianza
threshold = 0.5
valid = dets[:, :, 4] > threshold
count = valid.sum()
print(f"Plantas detectadas: {count}")

Contrato de Inferencia (§6.3)

La salida del modelo sigue el contrato de AgroVisión:

json

{
  "task": "segment",
  "boxes": [[x1, y1, x2, y2, conf, cls], ...],
  "masks": [...],
  "areas_px": [area_px_1, area_px_2, ...],
  "area_proj_m2": 12.5,
  "count": 42,
  "conf_threshold": 0.5,
  "classes": {"0": "arbusto"},
  "crop": "blueberry",
  "model_version": "1.0.0",
  "architecture": "rfdetr_seg_nano",
  "license": "Apache-2.0",
  "nms_free": true
}

Preprocesamiento

Formato: RGB
Normalización: 0-1 (float32)
Tamaño: 312x312 (letterbox)
GSD esperado: 0.02 m/px

Dataset

Fuente: Roboflow Universe (ws-l3s1y/vivero-plant-counting v3)
Imágenes: 1728 (113 base + augmentations)
Anotaciones: 5485 (Instance Segmentation)
Licencia: CC BY 4.0
Split: train (1422) / valid (207) / test (99)

Entrenamiento

Hiperparámetro	Valor
Epochs	100
Batch size	16
Learning rate	1e-4
Seed	42
GPU	RTX 4070 Ti SUPER (16GB)

Selección de Modelo

Se entrenaron dos candidatos:

RF-DETR-Seg (Apache 2.0): mAP 50:95 = 0.778, F1 = 0.86
YOLO26-seg (AGPL-3.0): mAP 50:95 = 0.782, F1 = 0.86

Decisión: RF-DETR-Seg seleccionado por licencia Apache 2.0 (preferida sobre AGPL-3.0).

Área Proyectada

El área de dosel se calcula como:

area_proj_m2 = Σ(mask_pixels) × GSD²

Donde GSD = 0.02 m/px para el ortomosaico de referencia.

Limitaciones

Validado en arándano (blueberry) - puede requerir fine-tuning para otros cultivos
GSD óptimo: 0.02 m/px (imágenes aéreas de dron)
No validado en imágenes satelitales

Citación

bibtex

@software{agrovision_plantcount_2026,
  title = {AgroVisión PlantCount: Modelo de Conteo de Plantas},
  author = {Prieto, Alex},
  year = {2026},
  version = {1.0.0},
  license = {Apache-2.0},
  url = {https://huggingface.co/aprieto/agrovision-plantcount}
}

alexp97/agrovision-plantcount