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

Wie haben Sie YOLOv5 ausgewählt, um das Problem der Erkennung von Zuckerschoten zu lösen?

Anfangs probierte Takayuki verschiedene Objekterkennungsmodelle von YOLOv3 über SSD bis EfficientDet aus. Vor einem Jahr testete Takayuki jedoch YOLOv5 und arbeitete schließlich bis heute damit, da es die beste Genauigkeit lieferte.

Welche Aspekte von YOLOv5 haben die Arbeit damit erleichtert?

Für Takayuki erleichtern die vorgefertigten Mechanismen zur Verbesserung der Modellgenauigkeit, wie z. B. Data Augmentation und Parameterevolution, die Arbeit mit YOLOv5. Während dies normalerweise ein umständliches Programm erfordern würde, kann YOLOv5 durch Hinzufügen eines einfachen Codes implementiert werden. “Ich war froh, in der gewonnenen Zeit die Ergebnisse analysieren und das Modell abstimmen zu können. Natürlich habe ich auch Zeit mit Annotationen verbracht!”

Welche anderen Herausforderungen möchten Sie in Zukunft mit YOLOv5 lösen?

Takayuki hält sich alle Optionen offen: “Ich möchte es mit anderen Feldfrüchten auf dem Bauernhof ausprobieren. Aber nicht nur das, ich möchte es auch weiterhin mit allem ausprobieren, was mir in den Sinn kommt. Ich denke, es gibt noch mehr Dinge, die ich herausfinden kann, indem ich versuche, Objekte zu erkennen.”

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

“Zunächst einmal würde ich YOLOv5 denjenigen empfehlen, die Objekterkennung für schwierig halten und 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! Markieren Sie uns in den sozialen Medien mit @Ultralytics und #YOLOvME, um die Chance zu erhalten, vorgestellt zu werden.

Erfahren Sie mehr darüber, wie YOLOv5 und Vision AI Lösungen für die Landwirtschaftsindustrie bieten.

‍