YOLOvME: Facilitando la detección de tirabeques

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 improbable, pero Takayuki descubrió que muchas soluciones de ML pueden aplicarse en su línea de trabajo.

Sin embargo, la verdadera razón por la que Takayuki se interesó en el ML no tiene nada que ver con su puesto actual. De niño, 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 ser difícil detectar todos los tirabeques en una planta, ya que se camuflan muy bien entre las hojas. Durante la temporada de cosecha, Takayuki tenía que recorrer los campos de su padre una y otra vez para asegurarse de que recogía hasta el último tirabeque maduro. Este arduo proceso llevó a Takayuki a imaginar cómo la visión artificial que estaba estudiando en ese momento podría ayudar a simplificar la cosecha de tirabeques.

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 detect objetos".

¿Qué consejo le darías a alguien que es 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 usarlo 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 verduras en su pequeña granja. Su sitio web es FarML, donde publica artículos sobre ML. Echa un vistazo a su artículo detallado sobre la detección de guisantes Snap. Takayuki también suele publicar sus casos de uso en su Twitter y Youtube.

Nosotros también queremos destacar su caso de uso de YOLOv5 . Etiquétanos 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.

‍