YOLOvME : Faciliter la détection des pois mange-tout

Takayuki Nukui est un scientifique des données des matériaux de Tokyo, au Japon. Vous pourriez penser que l'apprentissage automatique et la science des matériaux sont un couple improbable, mais Takayuki a constaté que de nombreuses solutions d'apprentissage automatique peuvent être appliquées dans son domaine de travail.

Cependant, la vraie raison pour laquelle Takayuki s'est lancé dans le ML n'a rien à voir avec son rôle actuel. En grandissant, le père de Takayuki était agriculteur. Souvent, il devait aider son père à récolter les pois mange-tout, un processus très exigeant.

Pour l'œil humain, il peut être difficile de repérer tous les pois mange-tout sur une plante, car ils se camouflent extrêmement bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait faire des allers-retours dans les champs de son père pour s'assurer qu'il avait cueilli jusqu'au dernier pois mange-tout mûr. Ce processus ardu a conduit Takayuki à imaginer comment la vision IA qu'il étudiait à l'époque pourrait aider à simplifier la récolte des pois mange-tout.

Nous sommes tombés sur l'application de détection de pois cassés de Takayuki sur Twitter et nous avons discuté avec lui pour en savoir plus sur son travail avec YOLOv5.

Comment avez-vous choisi YOLOv5 pour vous aider à résoudre le problème de la détection des pois cassés ?

Au début, Takayuki a essayé plusieurs modèles de détection d'objets, de YOLOv3 à SSD en passant par EfficientDet. YOLOv5 et a fini par travailler avec ce modèle jusqu'à aujourd'hui, car il offrait la meilleure précision.

Quels sont les aspects de YOLOv5 avec lesquels il a été facile de travailler ?

Pour Takayuki, les mécanismes prédéfinis d'amélioration de la précision des modèles, tels que l'augmentation des données et l'évolution des paramètres, facilitent l'utilisation YOLOv5 . Alors que cela nécessiterait normalement un programme lourd, YOLOv5 peut être mis en œuvre par l'ajout d'un simple code. "J'ai été heureux de pouvoir analyser les résultats et d'ajuster le modèle dans le temps imparti. Bien sûr, j'ai aussi passé du temps sur les annotations !"

Quels autres défis souhaiteriez-vous relever à l'avenir avec YOLOv5 ?

Takayuki garde ses options ouvertes : "Je veux l'essayer avec d'autres cultures de la ferme. Non seulement cela, mais je veux continuer à essayer avec tout ce qui me vient à l'esprit. Je pense qu'il y a d'autres choses que je peux découvrir en essayant de detect objets."

Quels conseils donneriez-vous à une personne qui découvre le monde de l'IA ?

"Tout d'abord, je recommanderais YOLOv5 à ceux qui pensent que la détection d'objets est difficile et qui appréhendent de se lancer dans l'IA de la vision. À mon avis, YOLOv5 est le modèle de détection d'objets le plus accessible à mettre en œuvre.

De plus, je suggérerais d'essayer de l'utiliser avec une plus petite quantité de données d'entraînement. L'augmentation des données est préconçue et produit souvent des modèles étonnamment intéressants.”

Takayuki Nukui partage sa vie entre l’ingénierie et la culture de légumes dans sa petite ferme. Son site web est FarML, où il publie des articles sur le ML. Consultez son article détaillé sur la détection des pois mange-tout. Takayuki publie aussi souvent ses cas d’utilisation sur ses comptes Twitter et Youtube.

Nous souhaitons également mettre en avant votre cas d'utilisation de YOLOv5 ! Marquez-nous sur les médias sociaux Ultralytics avec #YOLOvME pour avoir une chance d'être mis en vedette.

Découvrez comment YOLOv5 et l'IA de vision apportent des solutions au secteur agricole.

‍