YOLOvME: Zuckerschotenerkennung leicht gemacht
Entdecke, wie Takayuki Nukui YOLOv5 AI für die effiziente Ernte von Zuckerschoten einsetzt und dabei maschinelles Lernen mit traditioneller Landwirtschaft verbindet.
Takayuki Nukui ist Wissenschaftler für Materialdaten und kommt aus Tokio, Japan. Du denkst vielleicht, dass ML und Materialwissenschaft nicht gut zusammenpassen, aber Takayuki stellte fest, dass sich viele ML-Lösungen auf seinen Arbeitsbereich anwenden lassen.
Der eigentliche Grund, warum Takayuki sich mit ML beschäftigte, hatte jedoch nichts mit seiner heutigen Tätigkeit zu tun. Takayakis Vater war Landwirt, als Takayaki aufwuchs. Oft musste er seinem Vater bei der Ernte von Zuckerschoten helfen – ein äußerst anspruchsvoller Prozess.
Für das menschliche Auge kann es schwierig sein, alle Zuckerschoten an einer Pflanze zu erkennen, da sie sich zwischen den Blättern hervorragend tarnen. Während der Erntezeit musste Takayaki immer wieder über die Felder seines Vaters gehen, um sicherzustellen, dass er auch die letzte reife Zuckerschote pflückte. Dieser mühsame Prozess brachte Takayaki auf die Idee, wie die visuelle KI, mit der er sich damals beschäftigte, die Ernte von Zuckerschoten möglicherweise vereinfachen könnte.
Wir stießen auf Twitter auf Takayakis Anwendung zur Erkennung von Zuckerschoten: Twitter. Anschließend sprachen wir mit ihm, um mehr über seine Arbeit mit Ultralytics YOLOv5 zu erfahren.
Wie hast du Ultralytics YOLOv5 ausgewählt, um das Problem der Erkennung von Zuckerschoten zu lösen?#
Zu Beginn probierte Takayaki verschiedene Modelle zur Objekterkennung aus, von YOLOv3 über SSD bis hin zu EfficientDet. Vor einem Jahr testete Takayaki jedoch YOLOv5 und arbeitete anschließend bis heute damit weiter, da es die beste Genauigkeit lieferte.
Welche Aspekte von Ultralytics YOLOv5 haben die Arbeit damit erleichtert?#
Für Takayaki machen die vorgefertigten Mechanismen zur Verbesserung der Modellgenauigkeit, wie Datenaugmentation und evolutionäre Parameteroptimierung, Ultralytics YOLOv5 einfach in der Anwendung. Normalerweise wäre dafür ein umständliches Programm erforderlich, aber YOLOv5 lässt sich durch das Hinzufügen einer einfachen Codezeile implementieren. „Ich war froh, die Ergebnisse analysieren und das Modell in der dadurch gewonnenen Zeit abstimmen zu können. Natürlich habe ich auch Zeit für die Annotationen aufgewendet!“
Welche anderen Herausforderungen möchtest du in Zukunft mit Ultralytics YOLOv5 lösen?#
Takayaki hält sich alle Möglichkeiten offen: „Ich möchte es mit anderen Nutzpflanzen auf dem Bauernhof ausprobieren. Aber nicht nur das: Ich möchte es weiterhin mit allem ausprobieren, was mir in den Sinn kommt. Ich denke, dass ich durch den Versuch, Objekte zu erkennen, noch mehr herausfinden kann.“
Welchen Rat würdest du jemandem geben, der neu in der Welt der KI ist?#
„Zunächst einmal würde ich Ultralytics YOLOv5 allen empfehlen, die denken, dass Objekterkennung schwierig aussieht und zögern, mit visueller KI anzufangen. Meiner Meinung nach ist YOLOv5 das zugänglichste Modell zur Objekterkennung, das sich implementieren lässt.
Außerdem würde ich vorschlagen, es mit einer kleineren Menge an Trainingsdaten auszuprobieren. Die Datenaugmentation ist bereits integriert und erzeugt oft überraschend interessante Modelle.“
Takayaki Nukui bringt sein Leben zwischen Ingenieurwesen und dem Anbau von Gemüse auf seinem kleinen Bauernhof in Einklang. Auf seiner Website FarML veröffentlicht er Artikel über ML. Schau dir seinen ausführlichen Artikel über die Erkennung von Zuckerschoten an. Takayaki veröffentlicht seine Anwendungsfälle außerdem häufig auf Twitter und YouTube.
Wir möchten auch deinen YOLOv5-Anwendungsfall vorstellen! Markiere uns in den sozialen Medien mit @Ultralytics und #YOLOvME, um die Chance zu erhalten, vorgestellt zu werden.
