X
Ultralytics YOLOv8.2 FreigabeUltralytics YOLOv8.2 FreigabeUltralytics YOLOv8.2 Pfeil loslassen
Grüner Scheck
Link in die Zwischenablage kopiert

YOLOvME: Snap Pea Detection leicht gemacht

Entdecke, wie Takayuki Nukui YOLOv5 KI 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 zu ML gekommen ist, 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 - eine sehr anstrengende Arbeit.


Für menschliche Augen kann es schwierig sein, alle Zuckerschoten auf 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 laufen, um sicher zu sein, 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 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.

Wie hast du YOLOv5 ausgewählt, um das Problem der Erbsenerkennung zu lösen?

Am Anfang 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 haben die Arbeit mit dir erleichtert?

Für Takayuki sind die vorgefertigten Mechanismen zur Verbesserung der Modellgenauigkeit, wie z. B. die Datenerweiterung und die Parameterevolution, ein Kinderspiel: YOLOv5 . 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 entstandenen Zeit abstimmen konnte. Natürlich habe ich auch Zeit für Anmerkungen aufgewendet!"

Snap Pea Detection mit YOLOv5

Welche anderen Herausforderungen würdest du in Zukunft gerne mit YOLOv5 lösen?

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

Welchen Rat würdest du jemandem geben, der neu in der Welt der KI ist?

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

Außerdem würde ich empfehlen, es mit einer kleineren Menge an Trainingsdaten zu versuchen. Data Augmentation ist vorgefertigt und bringt oft überraschend interessante Modelle hervor."

Takayuki Nukui balanciert sein Leben zwischen Technik und Gemüseanbau auf seiner kleinen Farm. Seine Website ist FarMLauf der er Artikel über ML veröffentlicht. Schau dir seinen ausführlichen Artikel über die Erkennung von Knallerbsen. Takayuki postet seine Anwendungsfälle auch oft auf seinem Twitter und Youtube.

Wir wollen auch deinen YOLOv5 Anwendungsfall ins Rampenlicht rücken! Tagge uns in den sozialen Medien @Ultralytics mit #YOLOvME und du hast die Chance, dabei zu sein.

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


Facebook-LogoTwitter-LogoLinkedIn-LogoKopier-Link-Symbol

Lies mehr in dieser Kategorie

Lass uns gemeinsam die Zukunft
der KI gestalten!

Beginne deine Reise in die Zukunft des maschinellen Lernens