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.
Abbiamo scoperto l'applicazione di rilevamento dei piselli dolci di Takayuki 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 dei piselli dolci?#
All'inizio, Takayuki ha provato vari modelli di rilevamento di oggetti da YOLOv3 a SSD a EfficientDet. Tuttavia, un anno fa Takayuki ha provato YOLOv5 e ha finito per lavorarci fino a oggi poiché ha offerto la migliore precisione.
Quali aspetti di Ultralytics YOLOv5 hanno reso semplice lavorarci?#
Per Takayuki, i meccanismi predefiniti per migliorare la precisione del modello, come l'aumento dei dati e l'evoluzione dei parametri, rendono Ultralytics YOLOv5 semplice. Sebbene normalmente ciò richiederebbe un programma complesso, YOLOv5 può essere implementato aggiungendo del codice semplice. "Ero felice di poter analizzare i risultati e ottimizzare il modello nel tempo ricavato. Naturalmente, ho dedicato del tempo anche alle annotazioni!"
Quali altre sfide vorresti risolvere con Ultralytics 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.”
Che consiglio daresti a chi si avvicina per la prima volta al mondo dell'AI?#
"Prima di tutto, consiglierei Ultralytics YOLOv5 a chi pensa che il rilevamento di oggetti sia difficile e sia timoroso di iniziare con la visione artificiale. A mio parere, YOLOv5 è il modello di rilevamento di oggetti 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 coltivazione di verdure nella sua piccola fattoria. Il suo sito web è FarML, dove pubblica articoli sul ML. Dai un'occhiata al suo detailed article sul rilevamento di taccole. Takayuki pubblica spesso anche i suoi casi d'uso 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.
