YOLOvME : Faciliter la détection des pois mange-tout

Takayuki Nukui est un scientifique des données sur les matériaux originaire de Tokyo, au Japon. Tu pourrais penser que la ML et la science des matériaux forment une paire improbable, mais Takayuki a découvert que de nombreuses solutions de ML peuvent être appliquées dans son secteur d'activité.

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

Pour des yeux humains, il peut être difficile de repérer tous les pois mange-tout d'une plante, car ils se camouflent très bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait faire des allers-retours dans les champs de son père à chaque fois pour être sûr de cueillir tous les pois mange-tout mûrs. Ce processus ardu a conduit Takayuki à imaginer comment l'IA de vision qu'il étudiait à l'époque pourrait éventuellement 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 as-tu choisi YOLOv5 pour t'aider à résoudre le problème de la détection des pois cassés ?

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 le modèle YOLOv5 et a fini par travailler avec ce modèle jusqu'à aujourd'hui, car c'est celui qui offre 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 YOLOv5 . Alors que cela nécessiterait normalement un programme lourd, YOLOv5 peut être mis en œuvre par l'ajout d'un simple code. "J'étais heureux de pouvoir analyser les résultats et régler le modèle dans le temps créé. Bien sûr, j'ai aussi passé du temps sur les annotations !"

Quels autres défis aimerais-tu résoudre avec YOLOv5 à l'avenir ?

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 plus de choses que je peux découvrir en essayant de détecter des objets."

Quels conseils donnerais-tu à quelqu'un qui découvre le monde de l'IA ?

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

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

Takayuki Nukui équilibre sa vie entre l'ingénierie et la culture de légumes dans sa petite ferme. Son site Web est FarMLoù il publie des articles sur la ML. Jette un coup d'œil à son article détaillé sur la détection des pois mange-tout. Takayuki publie aussi souvent ses cas d'utilisation sur son Twitter et Youtube.

Nous voulons aussi mettre en lumière ton cas d'utilisation de YOLOv5 ! Étiquette-nous sur les médias sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être mis en vedette.

Découvre comment YOLOv5 et l'IA de la vision apportent des solutions à l'industrie agricole.

‍