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 avons découvert l'application de détection de pois mange-tout de Takayuki sur Twitter et nous nous sommes entretenus avec lui pour en savoir plus sur son travail avec YOLOv5.
Link to this sectionComment as-tu choisi YOLOv5 pour t'aider à résoudre le problème de la détection des pois mange-tout ?#
Au début, Takayuki a essayé divers 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 fini par travailler avec jusqu'à aujourd'hui car il offrait la meilleure précision.
Link to this sectionQuels aspects de YOLOv5 ont rendu son utilisation facile ?#
Pour Takayuki, les mécanismes préconçus pour améliorer la précision des modèles, tels que l'augmentation de données et l'évolution des paramètres, rendent YOLOv5 facile à utiliser. Alors que cela nécessiterait normalement un programme complexe, YOLOv5 peut être implémenté en ajoutant un code simple. « J'étais heureux de pouvoir analyser les résultats et d'ajuster le modèle durant le temps dégagé. Bien sûr, j'ai aussi passé du temps sur les annotations ! »
Link to this sectionQuels autres défis aimerais-tu résoudre avec 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. »
Link to this sectionQuel conseil donnerais-tu à quelqu'un qui débute dans 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 commencer avec l'IA de vision. 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 équilibre 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. Consulte son article détaillé sur la détection des pois mange-tout. Takayuki publie aussi souvent ses cas d'usage sur son Twitter et 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.
