YOLOvME: Zuckerschotenerkennung leicht gemacht
Entdecke, wie Takayuki Nukui YOLOv5 KI für eine effiziente Ernte von Zuckerschoten anwendet – und dabei Machine Learning mit traditioneller Landwirtschaft verbindet.
Takayuki Nukui ist Materials Data Scientist aus Tokio, Japan. Du denkst vielleicht, dass ML und Materialwissenschaften ein ungewöhnliches Paar sind, aber Takayuki hat festgestellt, dass viele ML-Lösungen in seinem Arbeitsbereich angewendet werden können.
Der eigentliche Grund, warum Takayuki zum ML kam, hat jedoch nichts mit seiner aktuellen Rolle zu tun. Als Takayuki aufwuchs, war sein Vater Landwirt. Oft musste er seinem Vater bei der Ernte von Zuckererbsen helfen – ein sehr anspruchsvoller Prozess.
Für das menschliche Auge kann es schwierig sein, alle Zuckererbsen an einer Pflanze zu entdecken, da sie sich hervorragend zwischen den Blättern tarnen. Während der Erntezeit musste Takayuki immer wieder über die Felder seines Vaters laufen, um sicherzugehen, dass er auch die letzte reife Zuckererbse pflückte. Dieser mühsame Prozess brachte Takayuki dazu, sich vorzustellen, wie die Vision AI, mit der er sich damals beschäftigte, helfen könnte, die Ernte der Zuckererbsen zu vereinfachen.
Wir sind auf Twitter auf Takayukis Anwendung zur Erkennung von Zuckerschoten gestoßen und haben mit ihm gesprochen, um mehr über seine Arbeit mit Ultralytics YOLOv5 zu erfahren.
Wie hast du dich für Ultralytics YOLOv5 entschieden, um das Problem der Erkennung von Zuckerschoten zu lösen?#
Zu Beginn probierte Takayuki verschiedene Objekterkennungsmodelle von YOLOv3 über SSD bis hin zu EfficientDet aus. Vor einem Jahr probierte Takayuki jedoch YOLOv5 aus und arbeitet seitdem damit, da es die beste Genauigkeit lieferte.
Welche Aspekte von Ultralytics YOLOv5 haben die Arbeit damit einfach gemacht?#
Für Takayuki machen vorentworfene Mechanismen zur Verbesserung der Modellgenauigkeit wie Datenaugmentation und Parameterevolution Ultralytics YOLOv5 einfach. Während dies normalerweise ein umständliches Programm erfordern würde, lässt sich YOLOv5 durch das Hinzufügen eines einfachen Codes implementieren. „Ich war froh, in der gewonnenen Zeit die Ergebnisse analysieren und das Modell optimieren zu können. Natürlich habe ich auch Zeit in Annotationen investiert!“
Welche anderen Herausforderungen möchtest du in Zukunft mit Ultralytics YOLOv5 lösen?#
Takayuki hält sich alle Optionen offen: „Ich möchte es mit anderen Feldfrüchten auf dem Hof ausprobieren. Nicht nur das, ich möchte weiterhin alles ausprobieren, was mir in den Sinn kommt. Ich glaube, es gibt noch mehr Dinge, die ich herausfinden kann, wenn ich versuche, Objekte zu erkennen.“
Welchen Rat würdest du jemandem geben, der neu in der Welt der AI ist?#
„Zuallererst würde ich Ultralytics YOLOv5 denjenigen empfehlen, die Objekterkennung für schwierig halten und Bedenken haben, mit Vision AI zu beginnen. Meiner Meinung nach ist YOLOv5 das zugänglichste Objekterkennungsmodell für die Implementierung.
Außerdem würde ich empfehlen, es mit einer geringeren Menge an Trainingsdaten zu versuchen. Data Augmentation ist bereits integriert und erzeugt oft überraschend interessante Modelle.“
Takayuki Nukui bringt Ingenieurskunst und den Anbau von Gemüse auf seinem kleinen Bauernhof in Einklang. Seine Website heißt FarML, auf der er Artikel über ML veröffentlicht. Schau dir seinen detailed article zur Erkennung von Zuckerschoten an. Takayuki postet seine Anwendungsfälle außerdem oft auf Twitter und YouTube.
Wir möchten auch deinen YOLOv5-Anwendungsfall ins Rampenlicht rücken! Markiere uns in den sozialen Medien unter @Ultralytics mit #YOLOvME für die Chance, gefeatured zu werden.
