YOLOvME : simplifier la détection des pois gourmands
Découvre comment Takayuki Nukui utilise l’IA de YOLOv5 pour récolter efficacement les pois gourmands, en associant apprentissage automatique et agriculture traditionnelle.
Takayuki Nukui est un scientifique spécialisé dans les données des matériaux, originaire de Tokyo, au Japon. Tu pourrais penser que le ML et la science des matériaux sont deux domaines peu compatibles, mais Takayuki a découvert que de nombreuses solutions de ML pouvaient être appliquées dans son domaine de travail.
Cependant, la véritable raison pour laquelle Takayuki s’est intéressé au ML n’a rien à voir avec son rôle actuel. En grandissant, le père de Takayuki était agriculteur. Très souvent, il devait aider son père à récolter les pois gourmands — un processus très exigeant.
À l’œil nu, il peut être difficile de repérer tous les pois gourmands sur un plant, car ils se camouflent extrêmement bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait parcourir encore et encore les champs de son père pour être certain d’avoir cueilli chaque dernier pois gourmand mûr. Ce processus éprouvant a amené Takayuki à imaginer comment l’AI de vision qu’il étudiait à l’époque pourrait aider à simplifier la récolte des pois gourmands.
Nous avons découvert l’application de Takayuki dédiée à la détection des pois gourmands sur Twitter et nous nous sommes entretenus avec lui pour en savoir plus sur son travail avec Ultralytics YOLOv5.
Comment as-tu choisi Ultralytics YOLOv5 pour t’aider à résoudre le problème de la détection des pois gourmands ?#
Au début, Takayuki a essayé différents modèles de détection d’objets, de YOLOv3 à SSD, en passant par EfficientDet. Cependant, il y a un an, Takayuki a essayé YOLOv5 et a finalement continué à l’utiliser jusqu’à aujourd’hui, car il offrait la meilleure précision.
Quels aspects d’Ultralytics YOLOv5 ont rendu son utilisation facile ?#
Pour Takayuki, les mécanismes prédéfinis permettant d’améliorer la précision des modèles, comme l’augmentation des données et l’évolution des paramètres, rendent Ultralytics YOLOv5 facile à utiliser. Alors que cela nécessiterait normalement un programme fastidieux, YOLOv5 peut être implémenté en ajoutant une simple ligne de code. « J’étais heureux de pouvoir analyser les résultats et ajuster le modèle pendant le temps ainsi libéré. Bien sûr, j’ai aussi consacré du temps aux annotations ! »
Quels autres défis aimerais-tu relever avec Ultralytics YOLOv5 à l’avenir ?#
Takayuki garde l’esprit ouvert : « Je veux essayer le modèle avec d’autres cultures à la ferme. Mais pas seulement : je veux continuer à l’expérimenter avec tout ce qui me vient à l’esprit. Je pense pouvoir découvrir davantage de choses en essayant de détecter des objets. »
Quels conseils donnerais-tu à quelqu’un qui découvre le monde de l’AI ?#
« Tout d’abord, je recommanderais Ultralytics YOLOv5 à ceux qui pensent que la détection d’objets semble difficile et qui hésitent à se lancer dans l’AI de vision. À mon avis, YOLOv5 est le modèle de détection d’objets le plus accessible à implémenter.
Je conseillerais également d’essayer de l’utiliser 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 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. Découvre son article détaillé sur la détection des pois gourmands. Takayuki publie également souvent ses cas d’utilisation sur son Twitter et sa chaîne YouTube.
Nous aimerions également 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.
