YOLOvME : Faciliter la détection des pois mange-tout

Takayuki Nukui est un scientifique des données des matériaux de Tokyo, au Japon. Vous pourriez penser que l'apprentissage automatique et la science des matériaux sont un couple improbable, mais Takayuki a constaté que de nombreuses solutions d'apprentissage automatique peuvent être appliquées dans son domaine de travail.

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

Pour l'œil humain, il peut être difficile de repérer tous les pois mange-tout sur une plante, car ils se camouflent extrêmement bien parmi les feuilles. Pendant la saison des récoltes, Takayuki devait faire des allers-retours dans les champs de son père pour s'assurer qu'il avait cueilli jusqu'au dernier pois mange-tout mûr. Ce processus ardu a conduit Takayuki à imaginer comment la vision IA 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 mange-tout de Takayuki sur Twitter et nous avons discuté avec lui pour en savoir plus sur son travail avec YOLOv5.

Comment avez-vous choisi YOLOv5 pour vous 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 lui jusqu'à aujourd'hui, car il offrait la meilleure précision.

Quels aspects de YOLOv5 ont facilité le travail ?

Pour Takayuki, les mécanismes préconçus pour améliorer la précision du modèle, tels que l'augmentation des données et l'évolution des paramètres, rendent YOLOv5 facile à utiliser. Alors que cela nécessiterait normalement un programme lourd, YOLOv5 peut être mis en œuvre en ajoutant un simple code. “J'étais heureux de pouvoir analyser les résultats et affiner le modèle dans le temps créé. Bien sûr, j'ai aussi passé du temps sur les annotations !”

Quels autres défis aimeriez-vous résoudre avec YOLOv5 à l'avenir ?

Takayuki garde l'esprit ouvert : “Je veux essayer avec d'autres cultures sur la ferme. Non seulement cela, mais je veux continuer à essayer 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 donneriez-vous à une personne 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 hésitent à se lancer dans la vision IA. À mon avis, YOLOv5 est le modèle de détection d'objets le plus accessible à mettre en œuvre.”

De plus, je suggérerais d'essayer de l'utiliser avec une plus petite quantité de données d'entraînement. L'augmentation des données est préconçue 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. Consultez son article détaillé sur la détection des pois mange-tout. Takayuki publie aussi souvent ses cas d’utilisation sur ses comptes Twitter et Youtube.

Nous souhaitons également mettre en lumière votre cas d'utilisation de YOLOv5 ! Identifiez-nous sur les médias sociaux @Ultralytics avec #YOLOvME pour avoir une chance d'être mis en avant.

Découvrez comment YOLOv5 et l'IA de vision fournissent des solutions pour l'industrie agricole.

‍