Acerca del proyecto
A partir de una foto,
hasta una observación continua.
Una revisión ofrece indicios. Los registros de campo sirven de referencia para la próxima observación.


01 / Analiza la imagen
Mira la foto,
busca indicios.
Selecciona un modelo existente y sube una imagen del cultivo. Revisa la salida real, los cuadros delimitadores o las categorías obtenidas y contrástalos con las observaciones del terreno.
Abrir la revisión de cultivos
02 / Registra las observaciones
Lugar y fecha,
en el mismo registro.
Añade el cultivo, la parcela, los síntomas y su extensión al registro guardado. Incluye estos datos del terreno cuando solicites orientación.

03 / Vuelve a revisar
Qué hiciste,
y qué cambió después.
Registra las medidas tomadas y añade fotos de seguimiento y observaciones directas. Programa la próxima revisión y consulta los cambios en la línea de tiempo.
Elige un registro para continuar el seguimientoAlcance compatible y estado de validación
Capacidades claras,
resultados que se pueden verificar.
Es un prototipo de visión por computadora. No ha pasado pruebas de campo con agricultores ni una certificación diagnóstica independiente.
Qué pueden hacer los modelos actuales
Identificación de enfermedades foliares
Los pesos existentes de EfficientViM clasifican las fotos de hojas en estados de enfermedad, sanos y otras anomalías.
El proyecto tiene una tabla completa de 158 categorías registradas, con índices de 0 a 157, que se utiliza para mostrar los resultados de inferencia. Algunos nombres visibles se repiten y el orden de las clases del entrenamiento original aún no se ha verificado de forma independiente.
Los resultados de identificación de enfermedades deben revisarlos un asesor agrícola teniendo en cuenta el terreno. Sin una validación independiente, no permiten afirmar una tasa de exactitud diagnóstica.
Localizar y contar frutos
La implementación basada en RISNet permite observar la distribución de los objetivos en la imagen.
Detección específica de frutos
Elige los pesos existentes de YOLO según el tipo de fruto. Los seis conjuntos detectan una sola clase y devuelven cuadros delimitadores y recuentos; no distinguen varias etapas de maduración.
El análisis de vídeo y la cámara del servidor están disponibles en las herramientas ampliadas de la página de detección. Las fotos tomadas con el móvil tienen un acceso independiente.
Requisitos de entrenamiento y del servicio en línea
Ajuste ligero de YOLO
Al enviar un conjunto de datos ZIP con la estructura correcta, el entrenamiento se ejecuta en segundo plano y guarda los pesos, las métricas y los gráficos que realmente genera. La página de entrenamiento indica los modelos, tamaños de datos y números de épocas disponibles.
Un servicio de consulta en línea independiente
El servicio requiere una dirección de acceso y una clave API correctamente configuradas, un modelo disponible y una cuota de uso válida. Si la solicitud falla, se conserva la entrada y se indica el motivo.
Los registros guardan la salida del modelo; las recomendaciones de consulta las genera un servicio independiente.
Cómo presentar el proyecto en investigación o en una defensa de grado
- Elige una tarea y explica qué modelo utiliza y cuál es su alcance.
- Sube una muestra representativa y comprueba que el resultado corresponda a la imagen de entrada.
- Abre un registro, añade datos del terreno y guarda una revisión de seguimiento para mostrar la información que se conserva.
- Abre la consulta sobre enfermedades y muestra cómo la descripción del terreno aporta contexto a la imagen.
- Presenta el conjunto de datos, el entrenamiento del modelo y las condiciones experimentales según sea necesario.
Qué falta validar antes del uso en condiciones reales
Las puntuaciones del modelo no equivalen a la precisión diagnóstica en el campo. El rendimiento con imágenes de laboratorio no representa directamente el obtenido con otras luces, variedades o regiones.
Aún se necesitan pruebas con muestras reales confirmadas por asesores agrícolas, registrando errores, casos no reconocidos y dificultades de uso para los agricultores. Síntomas visuales parecidos pueden tener causas distintas; las decisiones de tratamiento deben seguir la orientación agrícola local.