YOLOvME: Semplificare il rilevamento dei piselli snap

Takayuki Nukui è un Data Scientist specializzato in materiali, proveniente da Tokyo, Giappone. Si potrebbe pensare che ML e scienza dei materiali siano una coppia improbabile, ma Takayuki ha scoperto che molte soluzioni di ML possono essere applicate nel suo campo di lavoro.

Tuttavia, la vera ragione per cui Takayuki si è avvicinato all'ML non ha nulla a che fare con il suo ruolo attuale. Crescendo, il padre di Takayuki era un agricoltore. Spesso, doveva aiutare suo padre a raccogliere i piselli mangiatutto, un processo molto impegnativo.

Per l'occhio umano, può essere difficile individuare tutti i piselli dolci su una pianta, poiché si mimetizzano molto bene tra le foglie. Durante la stagione del raccolto, Takayuki doveva fare avanti e indietro attraverso i campi di suo padre più e più volte per essere sicuro di aver raccolto ogni singolo pisello dolce maturo. Questo arduo processo ha portato Takayuki a immaginare come la vision AI che stava studiando all'epoca avrebbe potuto semplificare la raccolta dei piselli dolci.

Ci siamo imbattuti nell'applicazione di Takayuki per il rilevamento dei piselli secchi su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con YOLOv5.

Come mai avete scelto YOLOv5 per risolvere il problema dell'individuazione dei piselli a scatto?

All'inizio, Takayuki ha provato diversi modelli di rilevamento degli oggetti, da YOLOv3 a SSD a EfficientDet. Tuttavia, un anno fa Takayuki ha sperimentato YOLOv5 e ha finito per lavorarci fino a oggi, perché ha fornito la migliore accuratezza.

Quali sono gli aspetti di YOLOv5 che hanno reso più facile lavorare con lui?

Per Takayuki, i meccanismi preimpostati per migliorare l'accuratezza del modello, come l'aumento dei dati e l'evoluzione dei parametri, rendono YOLOv5 semplice. Mentre di solito ciò richiederebbe un programma complesso, YOLOv5 può essere implementato con l'aggiunta di un semplice codice. "Sono stato felice di poter analizzare i risultati e mettere a punto il modello nel tempo creato. Naturalmente, ho anche dedicato del tempo alle annotazioni!".

Quali altre sfide vorreste risolvere con YOLOv5 in futuro?

Takayuki tiene aperte le sue opzioni: "Voglio provare con altre colture della fattoria. Non solo, ma voglio continuare a provare con qualsiasi cosa mi venga in mente. Penso che ci siano altre cose che posso scoprire cercando di detect gli oggetti".

Che consiglio daresti a chi si avvicina per la prima volta al mondo dell'IA?

"Prima di tutto, raccomando YOLOv5 a coloro che pensano che il rilevamento degli oggetti sia difficile e che hanno paura di iniziare a lavorare con l'intelligenza artificiale. A mio parere, YOLOv5 è il modello di rilevamento degli oggetti più accessibile da implementare.

Inoltre, suggerirei di provare a utilizzarlo con una quantità minore di dati di training. L'aumento dei dati è pre-progettato e spesso produce modelli sorprendentemente interessanti."

Takayuki Nukui divide la sua vita tra l'ingegneria e la coltivazione di ortaggi 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 mangiatutto. Takayuki pubblica spesso i suoi casi d'uso anche sui suoi account Twitter e Youtube.

Vogliamo mettere in evidenza anche il vostro caso d'uso di YOLOv5 ! Taggateci sui social media Ultralytics con #YOLOvME per avere la possibilità di essere presentati.

Scoprite come YOLOv5 e l'intelligenza artificiale forniscono soluzioni per il settore agricolo.

‍