YOLOvME: Tornar fácil a deteção de ervilhas-de-cheiro

Takayuki Nukui é um cientista de dados de materiais de Tóquio, Japão. Pode pensar-se 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 estas se camuflam extremamente bem entre as folhas. Durante a época das colheitas, Takayuki tinha de andar para trás e para a frente nos 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 o YOLOv5.

Como é que escolheu o YOLOv5 para o ajudar a resolver o problema da deteção de ervilhas?

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 hoje, uma vez que proporcionava a melhor precisão.

Que aspectos do YOLOv5 facilitaram o trabalho?

Para Takayuki, os mecanismos pré-concebidos para melhorar a exatidão 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!"

Que outros desafios gostaria de resolver com o YOLOv5 no futuro?

Takayuki está a manter 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".

Que conselhos daria a alguém que está a começar no mundo da IA?

"Em primeiro lugar, recomendo o YOLOv5 a todos aqueles que pensam que a deteção de objectos parece difícil e que estão apreensivos em começar com a IA de visão. Na minha opinião, o YOLOv5 é o modelo de deteção de objectos mais acessível de implementar.

Além disso, sugiro que tente utilizá-lo com uma quantidade menor de dados de treino. O Data Augmentation é pré-concebido 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 sítio Web é FarMLonde publica artigos sobre ML. Veja o seu artigo detalhado sobre a deteção de ervilhas. Takayuki também publica frequentemente os seus casos de utilização no seu Twitter e Youtube.

Também queremos destacar o seu caso de utilização do YOLOv5! Marque-nos nas redes sociais @Ultralytics com #YOLOvME para ter a oportunidade de ser apresentado.

Saiba como o YOLOv5 e a IA de visão fornecem soluções para a indústria agrícola.

‍