YOLOvME : Rendre la détection de pois mange-tout facile
Découvre comment Takayuki Nukui applique l'IA YOLOv5 pour une récolte efficace des pois mange-tout, mélangeant l'apprentissage automatique et l'agriculture traditionnelle.
Takayuki Nukui est un Data Scientist spécialisé dans les matériaux, basé à Tokyo, au Japon. Tu pourrais penser que le ML et la science des matériaux font un drôle de couple, mais Takayuki a découvert que de nombreuses solutions de ML peuvent être appliquées dans son domaine.
Cependant, la vraie raison pour laquelle Takayuki s'est lancé dans le ML n'a rien à voir avec son rôle actuel. Durant 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 sur un plant car ils se camouflent extrêmement bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait faire des allers-retours incessants dans les champs de son père pour s'assurer qu'il avait cueilli jusqu'au dernier pois mûr. Ce processus ardu a poussé Takayuki à imaginer comment l'IA de vision 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 gourmands de Takayuki sur Twitter et avons discuté 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 divers modèles de détection d'objets, allant de YOLOv3 à SSD en passant par EfficientDet. Cependant, il y a un an, Takayuki a testé YOLOv5 et a fini par l'utiliser jusqu'à aujourd'hui, car il offre la meilleure précision.
Quels aspects d'Ultralytics YOLOv5 ont facilité son utilisation ?#
Pour Takayuki, les mécanismes préconçus pour améliorer la précision des modèles, tels que l'augmentation de données et l'évolution des paramètres, rendent Ultralytics YOLOv5 facile. Alors que cela nécessiterait normalement un programme lourd, YOLOv5 peut être implémenté en ajoutant un code simple. « J'étais heureux de pouvoir analyser les résultats et d'ajuster le modèle dans le temps dégagé. Bien sûr, j'ai aussi passé du temps sur les annotations ! »
Quels autres défis aimerais-tu résoudre avec Ultralytics YOLOv5 à l'avenir ?#
Takayuki garde toutes les portes ouvertes : « Je veux essayer avec d'autres cultures à la ferme. Pas seulement ça, mais je veux continuer à essayer avec tout ce qui me passe par la tête. Je pense qu'il y a plus de choses que je peux découvrir en essayant de détecter des objets. »
Quel conseil donnerais-tu à quelqu'un qui débute dans le monde de l'IA ?#
« Tout d'abord, je recommanderais Ultralytics YOLOv5 à ceux qui pensent que la détection d'objets semble difficile et qui appréhendent de se lancer dans l'IA visuelle. À mon avis, YOLOv5 est le modèle de détection d'objets le plus accessible à implémenter.
De plus, je suggérerais d'essayer de l'utiliser avec une plus petite quantité de données d'entraînement. L'augmentation de données est préconçue, et elle produit souvent des modèles étonnamment intéressants. »
Takayuki Nukui partage sa vie entre l'ingénierie et la culture de légumes sur sa petite exploitation agricole. Son site Web est FarML, où il publie des articles sur le ML. Consulte son detailed article sur la détection de pois gourmands. Takayuki publie aussi souvent ses cas d'usage sur son Twitter et son YouTube.
Nous voulons également mettre en avant ton cas d'utilisation de YOLOv5 ! Identifie-nous sur les réseaux sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être mis en avant.
