YOLOvME: facilita la detección de tirabeques
Descubre cómo Takayuki Nukui aplica la IA de YOLOv5 para cosechar tirabeques de forma eficiente, combinando el aprendizaje automático con la agricultura tradicional.
Takayuki Nukui es científico de datos de materiales y vive en Tokio, Japón. Puede que pienses que el ML y la ciencia de materiales no tienen mucho que ver, pero Takayuki descubrió que muchas soluciones de ML se pueden aplicar a su campo de trabajo.
Sin embargo, el verdadero motivo por el que Takayuki se interesó por el ML no tiene nada que ver con su puesto actual. Cuando era pequeño, el padre de Takayuki era agricultor. A menudo, tenía que ayudarle a recolectar tirabeques, un proceso muy exigente.
Para el ojo humano, puede ser difícil localizar todos los tirabeques de una planta, ya que se camuflan muy bien entre las hojas. Durante la temporada de cosecha, Takayuki tenía que recorrer una y otra vez los campos de su padre para asegurarse de recoger hasta el último tirabeque maduro. Este arduo proceso llevó a Takayuki a imaginar cómo la IA de visión que estudiaba por aquel entonces podría ayudar a simplificar la recolección de tirabeques.
Encontramos la aplicación de Takayuki para detectar tirabeques en Twitter y hablamos con él para saber más sobre su trabajo con Ultralytics YOLOv5.
¿Cómo elegiste Ultralytics YOLOv5 para ayudarte a resolver el problema de detectar tirabeques?#
Al principio, Takayuki probó varios modelos de detección de objetos, desde YOLOv3 hasta SSD y EfficientDet. Sin embargo, hace un año probó YOLOv5 y acabó trabajando con él hasta hoy, ya que ofrecía la mayor precisión.
¿Qué aspectos de Ultralytics YOLOv5 hicieron que fuera fácil trabajar con él?#
Para Takayuki, los mecanismos prediseñados para mejorar la precisión de los modelos, como el aumento de datos y la evolución de parámetros, hacen que Ultralytics YOLOv5 sea fácil de usar. Aunque normalmente esto requeriría un programa engorroso, YOLOv5 se puede implementar añadiendo un código sencillo. «Me alegró poder analizar los resultados y ajustar el modelo en el tiempo que conseguí ahorrar. ¡Por supuesto, también dediqué tiempo a las anotaciones!»
¿Qué otros retos te gustaría resolver con Ultralytics YOLOv5 en el futuro?#
Takayuki mantiene abiertas sus opciones: «Quiero probarlo con otros cultivos de la granja. Y no solo eso, también quiero seguir probándolo con cualquier cosa que se me ocurra. Creo que puedo descubrir más cosas intentando detectar objetos».
¿Qué consejo le darías a alguien que se está iniciando en el mundo de la IA?#
«En primer lugar, recomendaría Ultralytics YOLOv5 a quienes piensen que la detección de objetos parece difícil y les dé reparo empezar con la IA de visión. En mi opinión, YOLOv5 es el modelo de detección de objetos más accesible de implementar.
Además, sugeriría probarlo con una cantidad menor de datos de entrenamiento. El aumento de datos está prediseñado y a menudo produce modelos sorprendentemente interesantes».
Takayuki Nukui compagina su vida entre la ingeniería y el cultivo de verduras en su pequeña granja. Su sitio web es FarML, donde publica artículos sobre ML. Consulta su artículo detallado sobre la detección de tirabeques. Takayuki también suele publicar sus casos de uso en Twitter y YouTube.
¡También queremos destacar tu caso de uso de YOLOv5! Menciónanos en redes sociales como @Ultralytics con #YOLOvME para tener la oportunidad de aparecer en nuestra publicación.
