YOLOvME : simplifier la détection des pois mangetout

Takayuki Nukui est spécialiste des données sur les matériaux et vit à Tokyo, au Japon. Tu pourrais penser que l’apprentissage automatique et la science des matériaux ne font pas bon ménage, mais Takayuki a découvert que de nombreuses solutions d’apprentissage automatique peuvent s’appliquer à son domaine de travail.

Cependant, la véritable raison pour laquelle Takayuki s’est intéressé à l’apprentissage automatique n’a rien à voir avec son poste actuel. En grandissant, Takayuki aidait souvent son père, qui était agriculteur, à récolter des pois mange-tout — une tâche très exigeante.

À l’œil nu, il peut être difficile de repérer tous les pois mange-tout sur une plante, car ils se camouflent très bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait parcourir encore et encore les champs de son père pour être sûr de cueillir chaque dernier pois mange-tout mûr. Ce travail pénible l’a amené à imaginer comment l’IA de vision qu’il étudiait à l’époque pourrait simplifier la récolte des pois mange-tout.

Nous sommes tombés sur l’application de détection des pois mange-tout de Takayuki sur Twitter et avons échangé avec lui pour en savoir plus sur son travail avec Ultralytics YOLOv5.

Comment as-tu choisi Ultralytics YOLOv5 pour résoudre le problème de la détection des pois mange-tout ?#

Au début, Takayuki a essayé différents modèles de détection d’objets, de YOLOv3 à SSD, puis à EfficientDet. Cependant, il a essayé YOLOv5 il y a un an et a continué à l’utiliser jusqu’à aujourd’hui, car il offrait la meilleure précision.

Quels aspects d’Ultralytics YOLOv5 ont facilité son utilisation ?#

Pour Takayuki, les mécanismes prédéfinis qui améliorent la précision des modèles, comme l’augmentation des données et l’évolution des hyperparamètres, rendent Ultralytics YOLOv5 facile à utiliser. Cela nécessiterait normalement un programme complexe, mais YOLOv5 permet de le faire en quelques lignes de code. « J’étais heureux de pouvoir analyser les résultats et ajuster le modèle pendant le temps ainsi dégagé. Bien sûr, j’ai aussi passé du temps à faire des annotations ! »

Quels autres problèmes aimerais-tu résoudre avec Ultralytics YOLOv5 à l’avenir ?#

Takayuki reste ouvert à toutes les possibilités : « Je veux l’essayer avec d’autres cultures de la ferme. Et je veux continuer à l’essayer avec tout ce qui me vient à l’esprit. Je pense que je peux découvrir bien d’autres choses en essayant de détecter des objets. »

Quel conseil donnerais-tu à quelqu’un qui débute dans le domaine de l’IA ?#

« Tout d’abord, je recommande Ultralytics YOLOv5 aux personnes qui pensent que la détection d’objets est difficile et qui hésitent à se lancer dans l’IA de vision. À mon avis, YOLOv5 est le modèle de détection d’objets le plus facile à mettre en œuvre.

Je conseillerais également de l’essayer avec une quantité plus réduite de données d’entraînement. L’augmentation des données est prédéfinie et produit souvent des modèles étonnamment intéressants. »

Takayuki Nukui partage son temps entre l’ingénierie et la culture de légumes dans sa petite ferme. Sur son site Web FarML, il publie des articles sur l’apprentissage automatique. Découvre son article détaillé sur la détection des pois mange-tout. Takayuki publie aussi souvent ses cas d’usage sur Twitter et YouTube.

Nous voulons aussi mettre en avant ton cas d’utilisation de YOLOv5 ! Identifie-nous sur les réseaux sociaux avec @Ultralytics et #YOLOvME pour avoir une chance d’être mis à l’honneur.

Découvre comment Ultralytics YOLOv5 et l’IA visuelle apportent des solutions au secteur agricole.