YOLOvME: Haciendo sencilla la detección de guisantes
Descubre cómo Takayuki Nukui aplica la IA de YOLOv5 para una cosecha eficiente de guisantes, mezclando el aprendizaje automático con la agricultura tradicional.
Takayuki Nukui es un científico de datos de materiales de Tokio, Japón. Podrías pensar que el ML y la ciencia de materiales son una combinación poco probable, 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 inició en el ML no tiene nada que ver con su puesto actual. Al crecer, el padre de Takayuki era agricultor. A menudo, tenía que ayudar a su padre a cosechar tirabeques, un proceso muy exigente.
Para el ojo humano, puede ser difícil localizar todos los tirabeques en una planta, ya que se camuflan extremadamente 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 recoger hasta el último tirabeque maduro. Este arduo proceso llevó a Takayuki a imaginar cómo la IA de visión que estaba estudiando en ese momento podría ayudar a simplificar la cosecha de tirabeques.
Nos encontramos con la aplicación de detección de tirabeques de Takayuki en Twitter y hablamos con él para saber más sobre su trabajo con YOLOv5.
Link to this section¿Cómo elegiste YOLOv5 para ayudarte a resolver el problema de la detección de tirabeques?#
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 terminó trabajando con él hasta el día de hoy, ya que ofrecía la mejor precisión.
Link to this section¿Qué aspectos de YOLOv5 hicieron que fuera fácil trabajar con él?#
Para Takayuki, los mecanismos prediseñados para mejorar la precisión del modelo, como la aumentación de datos y la evolución de parámetros, hacen que YOLOv5 sea fácil. Aunque normalmente esto requeriría un programa complejo, YOLOv5 puede implementarse añadiendo un código sencillo. “Me alegró poder analizar los resultados y ajustar el modelo en el tiempo creado. ¡Por supuesto, también dediqué tiempo a las anotaciones!”
Link to this section¿Qué otros retos te gustaría resolver con YOLOv5 en el futuro?#
Takayuki mantiene sus opciones abiertas: “Quiero probarlo con otros cultivos en la granja. No solo eso, sino que quiero seguir probando con todo lo que se me ocurra. Creo que hay más cosas que puedo descubrir intentando detectar objetos”.
Link to this section¿Qué consejo le darías a alguien nuevo en el mundo de la IA?#
“En primer lugar, recomendaría YOLOv5 a aquellos que piensen que la detección de objetos parece difícil y sientan aprensión por empezar con 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 menor cantidad de datos de entrenamiento. La aumentación de datos está prediseñada 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 tirabeques. Takayuki también publica a menudo sus casos de uso en su Twitter y YouTube.
¡Queremos destacar también tu caso de uso de YOLOv5! Etiquétanos en redes sociales @Ultralytics con el hashtag #YOLOvME para tener la oportunidad de aparecer en nuestros canales.
