YOLOvME: rendere facile il rilevamento dei piselli
Scopri come Takayuki Nukui applica l'AI YOLOv5 per un'efficiente raccolta dei piselli, fondendo il machine learning con l'agricoltura tradizionale.
Takayuki Nukui è un Materials Data Scientist di Tokyo, Giappone. Potresti pensare che il machine learning e la scienza dei materiali siano una combinazione insolita, ma Takayuki ha scoperto che molte soluzioni di ML possono essere applicate nel suo settore.
Tuttavia, il vero motivo per cui Takayuki si è avvicinato al ML non ha nulla a che fare con il suo ruolo attuale. Durante la sua infanzia, il padre di Takayuki era un agricoltore. Spesso doveva aiutarlo a raccogliere i piselli dolci, un processo molto impegnativo.
Per l'occhio umano, può essere difficile individuare tutti i piselli dolci su una pianta poiché si mimetizzano estremamente bene tra le foglie. Durante la stagione del raccolto, Takayuki doveva fare avanti e indietro tra i campi di suo padre più e più volte per assicurarsi di aver raccolto ogni singolo pisello dolce maturo. Questo arduo processo ha spinto Takayuki a immaginare come l'AI di visione che stava studiando in quel periodo potesse aiutare a semplificare la raccolta dei piselli dolci.
Ci siamo imbattuti nell'applicazione di rilevamento dei piselli dolci di Takayuki su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con YOLOv5.
Link to this sectionCome hai scelto YOLOv5 per aiutarti a risolvere il problema del rilevamento dei piselli dolci?#
All'inizio, Takayuki ha provato vari modelli di object detection, da YOLOv3 a SSD fino a EfficientDet. Tuttavia, un anno fa Takayuki ha provato YOLOv5 e ha finito per lavorarci fino ad oggi, poiché ha fornito la migliore precisione.
Link to this sectionQuali aspetti di YOLOv5 hanno reso facile lavorarci?#
Per Takayuki, i meccanismi pre-progettati per migliorare la precisione del modello, come la data augmentation e l'evoluzione dei parametri, rendono YOLOv5 semplice. Sebbene normalmente ciò richiederebbe un programma complesso, YOLOv5 può essere implementato aggiungendo un codice semplice. “Sono stato felice di poter analizzare i risultati e ottimizzare il modello nel tempo a disposizione. Naturalmente, ho dedicato tempo anche alle annotazioni!”
Link to this sectionQuali altre sfide vorresti risolvere con YOLOv5 in futuro?#
Takayuki tiene aperte le sue opzioni: “Voglio provarlo con altre colture in fattoria. Non solo, ma voglio continuare a provare con qualsiasi cosa mi venga in mente. Penso ci siano molte altre cose che posso scoprire cercando di rilevare oggetti.”
Link to this sectionChe consiglio daresti a chi si avvicina per la prima volta al mondo dell'AI?#
“Innanzitutto, consiglierei YOLOv5 a chi pensa che l'object detection sembri difficile e sia timoroso di iniziare con l'AI di visione. Secondo me, YOLOv5 è il modello di object detection più accessibile da implementare.
Inoltre, suggerirei di provare a usarlo con una quantità minore di dati di addestramento. La Data Augmentation è pre-progettata e spesso produce modelli sorprendentemente interessanti.”
Takayuki Nukui bilancia la sua vita tra ingegneria e la coltivazione di verdure nella sua piccola fattoria. Il suo sito web è FarML, dove pubblica articoli sul ML. Dai un'occhiata al suo articolo dettagliato sul rilevamento dei piselli dolci. Takayuki pubblica spesso i suoi casi d'uso anche sul suo Twitter e YouTube.
Vogliamo mettere in evidenza anche il tuo caso d'uso di YOLOv5! Taggaci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentato.
