Descobre como Takayuki Nukui aplica a IA de YOLOv5 para uma colheita eficiente de ervilhas-de-cheiro, combinando a aprendizagem automática com a agricultura tradicional.
.webp)
Takayuki Nukui é um cientista de dados de materiais de Tóquio, Japão. Podes pensar que o ML e a ciência dos materiais são um par improvável, mas Takayuki descobriu que muitas soluções de ML podem ser aplicadas na sua linha de trabalho.
No entanto, a verdadeira razão pela qual Takayuki entrou no ML não tem nada a ver com o seu papel atual. Enquanto crescia, o pai de Takayuki era agricultor. Muitas vezes, tinha de ajudar o pai a colher ervilhas - um processo muito exigente.
Para os olhos humanos, pode ser um desafio detetar todas as ervilhas numa planta, uma vez que se camuflam extremamente bem entre as folhas. Durante a época das colheitas, Takayuki tinha de andar para trás e para a frente pelos campos do seu pai, vezes sem conta, para se certificar de que apanhava até à última ervilha madura. Este processo árduo levou Takayuki a imaginar como a IA de visão que estava a estudar na altura poderia ajudar a simplificar a colheita das ervilhas.
Deparámo-nos com a aplicação de deteção de ervilhas de Takayuki no Twitter e falámos com ele para saber mais sobre o seu trabalho com YOLOv5.
No início, Takayuki experimentou vários modelos de deteção de objectos, desde o YOLOv3 ao SSD e ao EfficientDet. No entanto, há um ano, Takayuki experimentou o YOLOv5 e acabou por trabalhar com ele até aos dias de hoje, uma vez que proporcionava a melhor precisão.
Para Takayuki, os mecanismos pré-concebidos para melhorar a precisão dos modelos, como o aumento dos dados e a evolução dos parâmetros, facilitam o YOLOv5 . Embora isso normalmente exigisse um programa complicado, o YOLOv5 pode ser implementado com a adição de um código simples. "Fiquei satisfeito por poder analisar os resultados e afinar o modelo no tempo criado. Claro que também gastei tempo com anotações!"
Takayuki mantém as suas opções em aberto: "Quero experimentar com outras culturas na quinta. Não só isso, mas quero continuar a tentar com tudo o que me vier à cabeça. Acho que há mais coisas que posso descobrir ao tentar detetar objectos".
"Antes de mais, recomendo o YOLOv5 a todos os que pensam que a deteção de objectos parece difícil e estão apreensivos em começar com a IA de visão. Na minha opinião, YOLOv5 é o modelo de deteção de objectos mais acessível de implementar.
Além disso, sugiro que tentes utilizá-lo com uma quantidade menor de dados de treino. O Data Augmentation é pré-desenhado e produz frequentemente modelos surpreendentemente interessantes."
Takayuki Nukui equilibra a sua vida entre a engenharia e o cultivo de legumes na sua pequena quinta. O seu site é FarMLonde publica artigos sobre ML. Vê o seu artigo detalhado sobre a deteção de ervilhas. Takayuki também publica frequentemente os seus casos de utilização no seu Twitter e no Youtube.
Também queremos destacar o teu caso de utilização YOLOv5 ! Marca-nos nas redes sociais @Ultralytics com #YOLOvME para teres a oportunidade de ser destacado.
Começa a tua viagem com o futuro da aprendizagem automática
