YOLOvME: Cómo detectar guisantes fácilmente

Takayuki Nukui es un científico de datos de materiales de Tokio, Japón. Se podría pensar que el ML y la ciencia de los materiales son una pareja poco probable, pero Takayuki descubrió que muchas soluciones de ML se pueden aplicar en su línea de trabajo.

Sin embargo, la verdadera razón por la que Takayuki se metió en la ML no tiene nada que ver con su papel actual. Durante su infancia, el padre de Takayuki era agricultor. A menudo tenía que ayudar a su padre a cosechar guisantes, un proceso muy exigente.

Para los ojos humanos, puede resultar difícil detectar todos los guisantes de una planta, ya que se camuflan muy bien entre las hojas. Durante la temporada de cosecha, Takayuki tenía que caminar una y otra vez por los campos de su padre para asegurarse de recoger hasta el último guisante maduro. Este arduo proceso llevó a Takayuki a imaginar cómo la IA de visión que estudiaba en aquel momento podría simplificar la recolección de guisantes.

Conocimos la aplicación de detección de guisantes de Takayuki en Twitter y hablamos con él para saber más sobre su trabajo con YOLOv5.

¿Por qué eligió YOLOv5 para resolver el problema de la detección de guisantes?

Al principio, Takayuki probó varios modelos de detección de objetos, desde YOLOv3 hasta SSD y EfficientDet. Sin embargo, hace un año Takayuki probó YOLOv5 y acabó trabajando con él hasta el día de hoy, ya que era el que ofrecía la mayor precisión.

¿Qué aspectos de YOLOv5 facilitaron el trabajo?

Para Takayuki, los mecanismos prediseñados para mejorar la precisión de los modelos, como el aumento de datos y la evolución de parámetros, facilitan YOLOv5. Mientras que esto requeriría normalmente un programa engorroso, YOLOv5 puede aplicarse añadiendo un simple código. "Me alegró poder analizar los resultados y ajustar el modelo en el tiempo creado. Por supuesto, ¡también dediqué tiempo a las anotaciones!".

¿Qué otros retos le gustaría resolver con YOLOv5 en el futuro?

Takayuki mantiene abiertas sus opciones: "Quiero probarlo con otros cultivos de la granja. No sólo eso, sino que quiero seguir probando con cualquier cosa que se me ocurra. Creo que hay más cosas que puedo averiguar intentando detectar objetos".

¿Qué consejo le daría a alguien nuevo en el mundo de la IA?

"En primer lugar, recomendaría YOLOv5 a quienes piensen que la detección de objetos parece difícil y se sientan aprensivos a la hora de iniciarse en la IA de visión. En mi opinión, YOLOv5 es el modelo de detección de objetos más accesible de implementar.

Además, sugeriría intentar utilizarlo con una cantidad menor de datos de entrenamiento. El Aumento de Datos está prediseñado, y a menudo produce modelos sorprendentemente interesantes."

Takayuki Nukui equilibra su vida entre la ingeniería y el cultivo de hortalizas en su pequeña granja. Su sitio web es FarMLdonde publica artículos sobre ML. Eche un vistazo a su artículo detallado sobre la detección de Snap Pea. Takayuki también publica a menudo sus casos de uso en su cuenta de Twitter y Youtube.

Nosotros también queremos destacar su caso de uso de YOLOv5. Etiquétenos en las redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer.

Descubra cómo YOLOv5 y Vision AI ofrecen soluciones para la industria agrícola.

‍