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 Takayukis Anwendung zur Erkennung von Zuckererbsen auf Twitter gestoßen und haben mit ihm gesprochen, um mehr über seine Arbeit mit YOLOv5 zu erfahren.
Link to this sectionWie hast du dich für YOLOv5 entschieden, um das Problem der Zuckererbsen-Erkennung zu lösen?#
Anfangs probierte Takayuki verschiedene Objekterkennungsmodelle aus, von YOLOv3 über SSD bis hin zu EfficientDet. Vor einem Jahr probierte Takayuki jedoch YOLOv5 aus und arbeitet seitdem damit, da es die beste Genauigkeit lieferte.
Link to this sectionWelche Aspekte von YOLOv5 machten es einfach, damit zu arbeiten?#
Für Takayuki machen die vordefinierten Mechanismen zur Verbesserung der Modellgenauigkeit, wie Data Augmentation und Parameterevolution, YOLOv5 so einfach. Während dies normalerweise ein umständliches Programm erfordern würde, kann YOLOv5 durch Hinzufügen von einfachem Code implementiert werden. „Ich war froh, die Ergebnisse analysieren und das Modell in der gewonnenen Zeit optimieren zu können. Natürlich habe ich auch Zeit mit Annotationen verbracht!“
Link to this sectionWelche anderen Herausforderungen möchtest du in Zukunft mit 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.“
Link to this sectionWelchen Rat würdest du jemandem geben, der neu in der Welt der AI ist?#
„Zunächst einmal würde ich YOLOv5 denjenigen empfehlen, die Objekterkennung für schwierig halten und davor zurückschrecken, mit Vision AI anzufangen. Meiner Meinung nach ist YOLOv5 das am einfachsten zu implementierende Objekterkennungsmodell.“
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 sein Leben als Ingenieur mit dem Anbau von Gemüse auf seinem kleinen Hof in Einklang. Seine Website ist FarML, wo er Artikel über ML veröffentlicht. Schau dir seinen detaillierten Artikel über die Zuckererbsen-Erkennung an. Takayuki postet seine Anwendungsfälle auch häufig 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.
