YOLOvME: Zuckerschotenerkennung leicht gemacht

Takayuki Nukui ist Materialdatenforscher aus Tokio, Japan. Man könnte meinen, dass ML und Materialwissenschaft ein unwahrscheinliches Paar sind, aber Takayuki stellte fest, dass viele ML-Lösungen in seinem Arbeitsbereich angewendet werden können.

Der wahre Grund, warum Takayuki sich mit ML beschäftigt, hat jedoch nichts mit seiner aktuellen Rolle zu tun. Takayukis Vater war Landwirt. Oft musste er seinem Vater bei der Ernte von Zuckerschoten helfen – ein sehr anstrengender Prozess.

Für das menschliche Auge kann es eine Herausforderung sein, alle Zuckerschoten an einer Pflanze zu erkennen, da sie sich zwischen den Blättern extrem gut tarnen. Während der Erntesaison musste Takayuki immer wieder über die Felder seines Vaters laufen, um sicherzustellen, dass er auch die letzte reife Zuckerschote gepflückt hatte. Dieser mühsame Prozess brachte Takayuki auf die Idee, wie die Vision-KI, die er zu dieser Zeit studierte, möglicherweise helfen könnte, die Zuckerschotenernte zu vereinfachen.

Wir sind über Twitter auf Takayukis Anwendung zur Erbsenerkennung gestoßen und haben mit ihm gesprochen, um mehr über seine Arbeit mit YOLOv5 zu erfahren.

Warum haben Sie sich für YOLOv5 entschieden, um das Problem der Erbsenerkennung zu lösen?

Anfangs probierte Takayuki verschiedene Modelle zur Objekterkennung aus, von YOLOv3 über SSD bis hin zu EfficientDet. Vor einem Jahr probierte Takayuki jedoch YOLOv5 und arbeitete bis heute damit, da es die beste Genauigkeit lieferte.

Welche Aspekte von YOLOv5 haben die Arbeit mit dem Programm erleichtert?

Für Takayuki ist YOLOv5 dank der vordefinierten Mechanismen zur Verbesserung der Modellgenauigkeit, wie z. B. der Datenerweiterung und der Parameterevolution, sehr einfach. Während dies normalerweise ein umständliches Programm erfordern würde, kann YOLOv5 durch Hinzufügen eines einfachen Codes implementiert werden. "Ich war froh, dass ich die Ergebnisse analysieren und das Modell in der erstellten Zeit abstimmen konnte. Natürlich habe ich auch Zeit für Anmerkungen aufgewendet!"

Welche anderen Herausforderungen würden Sie gerne mit YOLOv5 in Zukunft lösen?

Takayuki hält sich seine Optionen offen: "Ich möchte es mit anderen Kulturen auf dem Hof versuchen. Und nicht nur das, sondern ich möchte es mit allem versuchen, was mir in den Sinn kommt. Ich glaube, ich kann noch mehr Dinge herausfinden, wenn ich versuche, Objekte detect ."

Welchen Rat würden Sie jemandem geben, der neu in der Welt der KI ist?

"Zunächst einmal würde ich YOLOv5 all jenen empfehlen, die denken, dass die Objekterkennung schwierig ist und die sich scheuen, mit Vision AI zu beginnen. Meiner Meinung nach ist YOLOv5 das am einfachsten zu implementierende Objekterkennungsmodell.

Außerdem würde ich vorschlagen, es mit einer kleineren Menge an Trainingsdaten auszuprobieren. Data Augmentation ist vordesigned und erzeugt oft überraschend interessante Modelle.”

Takayuki Nukui teilt sein Leben zwischen Ingenieurwesen und dem Anbau von Gemüse auf seinem kleinen Bauernhof auf. Seine Website ist FarML, wo er Artikel über ML veröffentlicht. Sehen Sie sich seinen detaillierten Artikel über die Erkennung von Zuckerschoten an. Takayuki veröffentlicht seine Anwendungsfälle auch oft auf seinem Twitter- und Youtube-Kanal.

Wir möchten auch Ihren YOLOv5 Anwendungsfall ins Rampenlicht rücken! Taggen Sie uns in den sozialen Medien Ultralytics mit #YOLOvME, um eine Chance zu haben, vorgestellt zu werden.

Erfahren Sie, wie YOLOv5 und Vision AI Lösungen für die Agrarindustrie bieten.

‍