YOLOvME: semplificare il rilevamento delle taccole
Scopri come Takayuki Nukui applica l'IA di YOLOv5 alla raccolta efficiente delle taccole, combinando il machine learning con l'agricoltura tradizionale.
Takayuki Nukui è uno scienziato dei dati sui materiali di Tokyo, in Giappone. Potresti pensare che il ML e la scienza dei materiali siano una combinazione improbabile, ma Takayuki ha scoperto che molte soluzioni di ML possono essere applicate nel suo ambito lavorativo.
Tuttavia, il vero motivo per cui Takayuki si è avvicinato al ML non ha nulla a che fare con il suo ruolo attuale. Quando era piccolo, il padre di Takayuki era un agricoltore. Spesso doveva aiutare il padre a raccogliere le taccole, un processo molto impegnativo.
A occhio nudo, può essere difficile individuare tutte le taccole su una pianta, perché si mimetizzano molto bene tra le foglie. Durante la stagione del raccolto, Takayuki doveva attraversare avanti e indietro i campi del padre, ancora e ancora, per assicurarsi di aver raccolto ogni ultima taccola matura. Questo processo faticoso portò Takayuki a immaginare come l'AI per la visione artificiale che stava studiando all'epoca avrebbe potuto semplificare la raccolta delle taccole.
Ci siamo imbattuti nell'applicazione di Takayuki per il rilevamento delle taccole su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con Ultralytics YOLOv5.
Come hai scelto Ultralytics YOLOv5 per aiutarti a risolvere il problema del rilevamento delle taccole?#
All'inizio, 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 finito per lavorarci fino a oggi, poiché offriva la migliore accuratezza.
Quali aspetti di Ultralytics YOLOv5 ne hanno reso facile l'utilizzo?#
Per Takayuki, i meccanismi predefiniti per migliorare l'accuratezza dei modelli, come l'aumento dei dati e l'evoluzione dei parametri, rendono Ultralytics YOLOv5 facile da usare. Normalmente questo richiederebbe un programma complesso, ma YOLOv5 può essere implementato aggiungendo una semplice riga di codice. «Ero felice di poter analizzare i risultati e ottimizzare il modello nel tempo che si era liberato. Naturalmente, ho dedicato del tempo anche alle annotazioni!»
Quali altre sfide vorresti affrontare in futuro con Ultralytics YOLOv5?#
Takayuki mantiene aperte tutte le possibilità: «Voglio provarlo con altre colture della fattoria. Non solo: voglio continuare a provarlo con qualsiasi cosa mi venga in mente. Penso che ci siano altre cose che posso scoprire provando a rilevare gli oggetti.»
Che consiglio daresti a chi è nuovo nel mondo dell'AI?#
«Innanzitutto, consiglierei Ultralytics YOLOv5 a chi pensa che il rilevamento degli oggetti sia difficile e non se la sente di iniziare con l'AI per la visione 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 inferiore di dati di addestramento. L'aumento dei dati è predefinito 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. Leggi il suo articolo dettagliato sul rilevamento delle taccole. 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! Taggaci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentato.
