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 rilevamento dei piselli di Takayuki su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con YOLOv5.

Come mai hai scelto YOLOv5 per risolvere il problema del rilevamento dei piselli snap?

Inizialmente, Takayuki ha provato vari modelli di object detection, da YOLOv3 a SSD a EfficientDet. Tuttavia, un anno fa Takayuki ha provato YOLOv5 e ha finito per lavorarci fino ad oggi, in quanto ha fornito la migliore accuratezza.

Quali aspetti di YOLOv5 hanno reso facile il tuo lavoro?

Per Takayuki, i meccanismi predefiniti per migliorare l'accuratezza del modello, come l'aumento dei dati e l'evoluzione dei parametri, rendono YOLOv5 facile da usare. Mentre questo normalmente richiederebbe un programma complesso, YOLOv5 può essere implementato aggiungendo un semplice codice. “Sono stato felice di poter analizzare i risultati e ottimizzare il modello nel tempo creato. Ovviamente, ho anche dedicato del tempo alle annotazioni!”

Quali altre sfide vorresti risolvere con YOLOv5 in futuro?

Takayuki sta valutando diverse opzioni: “Voglio provare con altre colture nella fattoria. Non solo, ma voglio continuare a provare qualsiasi cosa mi venga in mente. Penso che ci siano altre cose che posso scoprire provando a rilevare oggetti.”

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

“Prima di tutto, consiglierei YOLOv5 a coloro che pensano che il rilevamento di oggetti sia difficile e hanno timore di iniziare con la vision AI. A mio parere, YOLOv5 è il modello di rilevamento di 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 tuo caso d'uso di YOLOv5! Tagga i nostri account sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentato.

Scopri come YOLOv5 e la vision AI forniscono soluzioni per l'industria agricola.

‍