YOLOvME: Facilitar a deteção de ervilhas-tortas
Descobre como Takayuki Nukui aplica a IA do YOLOv5 à colheita eficiente de ervilhas-tortas, combinando aprendizagem automática com a agricultura tradicional.
Takayuki Nukui é um cientista de dados de materiais de Tóquio, no Japão. Pode parecer que ML e a ciência dos materiais não combinam, mas Takayuki descobriu que muitas soluções de ML podem ser aplicadas na sua área de trabalho.
No entanto, a verdadeira razão pela qual Takayuki se interessou por ML não tem nada que ver com a sua função atual. Durante a infância de Takayuki, o pai era agricultor. Muitas vezes, Takayuki tinha de ajudar o pai a colher ervilhas-de-quebrar – um processo muito exigente.
Para o olho humano, pode ser difícil detetar todas as ervilhas-de-quebrar numa planta, pois elas camuflam-se extremamente bem entre as folhas. Durante a época da colheita, Takayuki tinha de percorrer os campos do pai para trás e para a frente, repetidamente, para garantir que colhia todas as ervilhas-de-quebrar maduras. Este processo árduo levou Takayuki a imaginar como a IA de visão que estudava na altura poderia ajudar a simplificar a colheita de ervilhas-de-quebrar.
Encontrámos a aplicação de deteção de ervilhas-de-quebrar de Takayuki no Twitter e falámos com ele para saber mais sobre o seu trabalho com Ultralytics YOLOv5.
Como escolheste Ultralytics YOLOv5 para te ajudar a resolver o problema da deteção de ervilhas-de-quebrar?#
No início, Takayuki experimentou vários modelos de deteção de objetos, desde YOLOv3 até SSD e EfficientDet. No entanto, há um ano, Takayuki experimentou YOLOv5 e acabou por trabalhar com ele até hoje, pois proporcionou a melhor precisão.
Que aspetos do Ultralytics YOLOv5 facilitaram o trabalho com o modelo?#
Para Takayuki, os mecanismos predefinidos para melhorar a precisão dos modelos, como o aumento de dados e a evolução de parâmetros, tornam o Ultralytics YOLOv5 fácil de utilizar. Embora isto normalmente exigisse um programa complexo, YOLOv5 pode ser implementado adicionando um código simples. “Fiquei contente por poder analisar os resultados e ajustar o modelo durante o tempo que consegui ganhar. Claro que também passei tempo a fazer anotações!”
Que outros desafios gostarias de resolver com Ultralytics YOLOv5 no futuro?#
Takayuki mantém as suas opções em aberto: “Quero experimentá-lo com outras culturas na quinta. Não só isso, como também quero continuar a experimentar tudo o que me vier à cabeça. Acho que posso descobrir mais coisas ao tentar detetar objetos.”
Que conselho darias a alguém que está a iniciar-se no mundo da IA?#
“Em primeiro lugar, recomendaria Ultralytics YOLOv5 a quem acha que a deteção de objetos parece difícil e tem receio de começar com IA de visão. Na minha opinião, YOLOv5 é o modelo de deteção de objetos mais acessível de implementar.
Além disso, sugeriria experimentá-lo com uma quantidade menor de dados de treino. O aumento de dados já está predefinido e, muitas vezes, produz modelos surpreendentemente interessantes.”
Takayuki Nukui equilibra a sua vida entre a engenharia e o cultivo de vegetais na sua pequena quinta. O seu site é o FarML, onde publica artigos sobre ML. Consulta o seu artigo detalhado sobre a deteção de ervilhas-de-quebrar. Takayuki também publica frequentemente os seus casos de utilização no Twitter e no YouTube.
Também queremos destacar o seu caso de utilização do YOLOv5! Identifique-nos nas redes sociais através de @Ultralytics com #YOLOvME para ter a oportunidade de aparecer em destaque.
