Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Cookie-Einstellungen
Wenn Sie auf "Alle Cookies akzeptieren" klicken, stimmen Sie der Speicherung von Cookies auf Ihrem Gerät zu, um die Navigation auf der Website zu verbessern, die Nutzung der Website zu analysieren und unsere Marketingaktivitäten zu unterstützen. Mehr Infos
Erfahren Sie, wie Takayuki Nukui YOLOv5 AI für eine effiziente Zuckererbsenernte einsetzt und dabei maschinelles Lernen mit traditioneller Landwirtschaft verbindet.
Takayuki Nukui ist ein Materialdatenwissenschaftler aus Tokio, Japan. Man könnte meinen, dass ML und Materialwissenschaft ein unwahrscheinliches Paar sind, aber Takayuki fand heraus, dass viele ML-Lösungen in seinem Arbeitsbereich angewendet werden können.
Der eigentliche Grund, warum Takayuki zum ML gekommen ist, hat jedoch nichts mit seiner derzeitigen Rolle zu tun. Als er aufwuchs, war Takayukis Vater ein Landwirt. Oft musste er seinem Vater bei der Ernte von Zuckererbsen helfen - ein sehr anstrengender Prozess.
Für menschliche Augen kann es schwierig sein, alle Zuckerschoten einer Pflanze zu entdecken, da sie sich zwischen den Blättern sehr gut tarnen. Während der Erntezeit musste Takayuki immer wieder über die Felder seines Vaters wandern, um sicherzugehen, dass er auch die letzte reife Zuckererbse gepflückt hatte. Dieser mühsame Prozess brachte Takayuki dazu, sich vorzustellen, wie die KI, die er zu dieser Zeit studierte, die Zuckererbsenernte möglicherweise vereinfachen könnte.
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?
Zu Beginn probierte Takayuki verschiedene Modelle zur Objekterkennung aus, von YOLOv3 über SSD bis hin zu EfficientDet. Vor einem Jahr probierte Takayuki jedoch YOLOv5 aus und arbeitet bis heute damit, da es die beste Genauigkeit liefert.
Welche Aspekte von YOLOv5 machten die Arbeit mit dem Programm einfach?
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 zu erkennen."
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 zu versuchen. Data Augmentation ist vorgefertigt und erzeugt oft überraschend interessante Modelle."
Takayuki Nukui balanciert sein Leben zwischen Technik und Gemüseanbau auf seinem kleinen Bauernhof. Seine Website lautet FarMLwo er Artikel über ML veröffentlicht. Sehen Sie sich seinen ausführlichen Artikel über die Erkennung von Knallerbsen. Takayuki postet seine Anwendungsfälle auch häufig auf seinem Twitter und Youtube.
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.
DE
EN
ZH
KO
JA
RU
FR
ES
PT
IT
TR
VI
AR
.webp)
.webp)
