YOLOvME: semplificare il rilevamento dei piselli mangiatutto

Takayuki Nukui è uno scienziato dei dati nel campo dei materiali di Tokyo, in Giappone. Potresti pensare che il machine learning e la scienza dei materiali siano un'accoppiata improbabile, ma Takayuki ha scoperto che molte soluzioni di machine learning si possono applicare al suo settore lavorativo.

Tuttavia, il vero motivo per cui Takayuki si è avvicinato al machine learning non ha nulla a che fare con il suo ruolo attuale. Durante la sua infanzia, il padre di Takayuki era un agricoltore. Spesso Takayuki doveva aiutarlo a raccogliere i piselli mangiatutto, un'attività molto impegnativa.

Per l'occhio umano, può essere difficile individuare tutti i piselli mangiatutto su una pianta, perché si mimetizzano molto bene tra le foglie. Durante la stagione del raccolto, Takayuki doveva attraversare avanti e indietro i campi di suo padre più e più volte, per assicurarsi di raccogliere fino all'ultimo pisello mangiatutto maturo. Questa faticosa attività lo portò a immaginare come l'IA visiva che stava studiando all'epoca potesse semplificare la raccolta dei piselli mangiatutto.

Abbiamo scoperto l'applicazione di Takayuki per il rilevamento dei piselli mangiatutto su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con Ultralytics YOLOv5.

Come hai scelto Ultralytics YOLOv5 per risolvere il problema del rilevamento dei piselli mangiatutto?#

Inizialmente, Takayuki ha provato diversi modelli di rilevamento degli oggetti, da YOLOv3 a SSD, fino a EfficientDet. Tuttavia, un anno fa Takayuki ha provato YOLOv5 e ha continuato a usarlo fino a oggi, perché offriva la precisione migliore.

Quali aspetti di Ultralytics YOLOv5 lo hanno reso facile da usare?#

Per Takayuki, i meccanismi predefiniti per migliorare la precisione dei modelli, come l'aumento dei dati e l'evoluzione degli iperparametri, rendono Ultralytics YOLOv5 facile da usare. Queste operazioni richiederebbero normalmente un programma complesso, ma YOLOv5 consente di eseguirle con poche righe di codice. “Sono stato felice di poter analizzare i risultati e ottimizzare il modello nel tempo che si è liberato. Naturalmente, ho dedicato del tempo anche alle annotazioni!”

Quali altre sfide vorresti affrontare in futuro con Ultralytics YOLOv5?#

Takayuki tiene aperte le sue possibilità: “Voglio provarlo con altre colture della fattoria. Non solo: voglio continuare a sperimentare con tutto ciò che mi viene in mente. Credo che provando a rilevare gli oggetti possa scoprire molte altre cose.”

Quale consiglio daresti a chi è nuovo nel mondo dell'IA?#

“Prima di tutto, consiglierei Ultralytics YOLOv5 a chi pensa che il rilevamento degli oggetti sia difficile e ha timore di iniziare con l'IA visiva. Secondo me, YOLOv5 è il modello di rilevamento degli oggetti più accessibile da implementare.

Inoltre, suggerirei di provare a usarlo con una quantità minore di dati di addestramento. L'aumento dei dati è già integrato e spesso produce modelli sorprendentemente interessanti.”

Takayuki Nukui divide la sua vita tra l'ingegneria e la coltivazione di ortaggi nella sua piccola fattoria. Sul suo sito web FarML pubblica articoli sul machine learning. Leggi il suo articolo dettagliato sul rilevamento dei piselli mangiatutto. Takayuki pubblica spesso i suoi casi d'uso anche su Twitter e YouTube.

Vogliamo mettere in evidenza anche il tuo caso d'uso di YOLOv5! Menzionaci sui social media con @Ultralytics e #YOLOvME per avere la possibilità di essere scelto.

Scopri come Ultralytics YOLOv5 e l'AI per la visione offrono soluzioni per il settore agricolo.