Sim, a inteligência artificial consegue achar daninha na lavoura de soja, mas acerta umas mais que outras. Num estudo da Universidade Federal do Rio Grande do Sul (UFRGS) publicado em 2025, o YOLOv8 separou soja, folha larga e folha estreita com mAP50 entre 0,70 e 0,73. As gramíneas foram as mais difíceis: o modelo encontrou só 55,3% delas.
O estudo é de Sulzbach e colegas e saiu na revista Computers and Electronics in Agriculture. A gente escolheu ele para abrir o blog porque é o mais próximo da nossa realidade: soja, daninhas do Sul e a mesma família de rede que o nosso plugin usa.
O que os pesquisadores fizeram
A equipe fotografou lavouras de soja em Eldorado do Sul, Estrela, Teutônia e na Fazenda Vilanova, no Rio Grande do Sul, nas safras de 2020 a 2023. As fotos foram feitas com uma câmera Sony a 1 metro do chão, com a soja entre a emergência (VE) e o início da floração (R2), em dia de sol, de céu parcialmente nublado e de céu encoberto.
Do acervo de mais de 10 mil fotos, 1.954 foram anotadas à mão, planta por planta, em três classes:
- Soja: 21.092 plantas marcadas.
- Folha larga: 47.075 plantas, de espécies como caruru (Amaranthus hybridus), trapoeraba (Commelina benghalensis), buva (Conyza spp.), poaia-branca (Richardia brasiliensis), picão-preto (Bidens pilosa), corda-de-viola (Ipomoea spp.) e leiteiro (Euphorbia heterophylla).
- Folha estreita: 26.242 plantas de milhã (Digitaria spp.), papuã (Urochloa plantaginea) e capim-pé-de-galinha (Eleusine indica).
A cravorana, que em outras regiões chamam de losna, não entrou no estudo. Então ele não diz quanto a IA acerta nessa planta.
Com essas fotos eles treinaram as cinco versões originais do YOLOv8, da menor (nano) à maior (extra-large), e mais quatro versões enxutas criadas por eles. A ideia era descobrir quanto dá para encolher a rede sem perder acerto, porque um modelo menor roda mais rápido e cabe num computador mais simples, até dentro do pulverizador.
Quanto a IA acertou?
Todas as versões originais, com ou sem pré-treino, ficaram com mAP50 entre 0,70 e 0,73. O mAP50 vai de 0 a 1 e junta duas perguntas: o que o modelo marcou estava certo? E ele encontrou o que existia? O 50 quer dizer que a caixa marcada precisa cobrir pelo menos metade da planta de verdade para contar como acerto.
Por classe, o YOLOv8n, a versão nano, ficou assim:
| Classe | Precisão | Revocação | mAP50 |
|---|---|---|---|
| Soja | 72,9% | 78,8% | 80,2% |
| Folha larga | 68,9% | 63,0% | 68,8% |
| Folha estreita | 69,2% | 55,3% | 63,7% |
Fonte: Sulzbach et al. (2025), Tabela 5.
Lendo a tabela: precisão é quantas das marcações estavam certas. Revocação é quantas das plantas que existiam o modelo achou. Na folha estreita, a revocação de 55,3% quer dizer que quase metade das gramíneas passou sem ser marcada.
Por que a gramínea é a mais difícil?
Nas matrizes de confusão, a folha estreita foi confundida com o fundo da imagem. Os autores explicam que as gramíneas se parecem com a palhada que cobria o solo na maioria das fotos. Vista de cima, a folha fina e comprida do capim lembra a palha seca do plantio direto.
Isso pesa no plantio direto, em que o solo fica coberto de palha.
Uma rede menor funciona?
Funciona, e esse é o achado principal do estudo. A versão enxuta que os autores chamaram de femto tem 904.633 parâmetros, contra 3.006.233 da nano, mais de três vezes menos. Na validação cruzada, o mAP50 da femto ficou entre 0,70 e 0,72 e o da nano entre 0,69 e 0,73, sem diferença estatística entre as duas. A femto fez isso com 35,8% menos operações de cálculo.
Na velocidade, as redes enxutas processaram de 429 a 840 imagens por segundo; as originais, de 30 a 424.
Duas técnicas que costumam ajudar não fizeram muita diferença aqui:
- Aumento de dados (colar recortes de plantas em fotos de fundo): o mAP50 ficou entre 0,68 e 0,71, contra 0,70 a 0,71 sem a técnica.
- Pré-treino (começar de uma rede já treinada em outras imagens): só ajudou nas duas versões maiores, que subiram de 0,71 para 0,73.
O que o estudo não mediu
Três limites que o próprio artigo deixa claros e que importam antes de levar o resultado para a lavoura:
- Não houve aplicação. Tudo rodou num computador de mesa. Embarcar o modelo no pulverizador ficou como próximo passo.
- A foto foi a 1 metro do chão. Num ortomosaico de drone voando a dezenas de metros, cada planta ocupa muito menos pixels. O número precisa ser medido de novo nessas condições.
- Os dados não foram publicados, então ninguém consegue repetir o treino com as mesmas fotos.
O que isso muda para a gente
O nosso plugin usa o YOLOv8n, a mesma versão nano da tabela acima, só que em ortomosaico de drone e na dessecação pré-colheita, quando a soja já está seca e a daninha verde se destaca. Do estudo, a gente leva duas lições para o nosso treino. Uma rede pequena dá conta do recado, e as gramíneas em cima da palhada vão precisar de mais exemplos.
O nosso modelo ainda está em treino com imagens da região. Ele só vai ganhar número publicado quando for medido em imagens que ficaram de fora do treino. Até lá, a detecção sempre passa por conferência antes de virar mapa de prescrição.
Se você quer ver como isso fica no seu talhão, peça um diagnóstico ou veja como funciona a aplicação com drone.
Fonte
SULZBACH, E.; SCHEEREN, I.; VERAS, M. S. T.; TOSIN, M. C.; KROTH, W. A. E.; MEROTTO JR, A.; MARKUS, C. Deep learning model optimization methods and performance evaluation of YOLOv8 for enhanced weed detection in soybeans. Computers and Electronics in Agriculture, v. 232, 110117, 2025. DOI: 10.1016/j.compag.2025.110117.
Texto de Rogério Zanchet, estudante de Agronomia na UNOESC e criador do plugin de QGIS da Aplicação de Precisão. Este artigo conta o que o estudo mediu e não traz recomendação de produto, dose ou momento de aplicação.