YOLOvME: Facilitando a Deteção de Ervilhas
Descobre como Takayuki Nukui aplica a IA YOLOv5 para uma colheita eficiente de ervilhas—misturando aprendizagem automática com a agricultura tradicional.
Takayuki Nukui é um Cientista de Dados de Materiais de Tóquio, Japão. Você pode pensar que ML e ciência dos materiais são uma combinação improvável, mas Takayuki descobriu que muitas soluções de ML podem ser aplicadas em sua linha de trabalho.
No entanto, a verdadeira razão pela qual Takayuki entrou no ML não tem nada a ver com sua função atual. Ao crescer, o pai de Takayuki era agricultor. Muitas vezes, ele precisava ajudar seu pai a colher ervilhas – um processo muito exigente.
Para olhos humanos, pode ser um desafio encontrar todas as ervilhas em uma planta, já que elas se camuflam extremamente bem entre as folhas. Durante a temporada de colheita, Takayuki tinha que caminhar de um lado para o outro pelos campos de seu pai repetidamente para garantir que colhia até a última ervilha madura. Esse processo árduo levou Takayuki a imaginar como a visão computacional de IA que ele estava estudando na época poderia possivelmente ajudar a simplificar a colheita de ervilhas.
Encontramos a aplicação de detecção de ervilhas de Takayuki no Twitter e conversamos com ele para saber mais sobre seu trabalho com o YOLOv5.
Link to this sectionComo você escolheu o YOLOv5 para te ajudar a resolver o problema da detecção de ervilhas?#
No início, Takayuki experimentou vários modelos de detecção de objetos, desde YOLOv3 até SSD e EfficientDet. No entanto, há um ano, Takayuki testou o YOLOv5 e acabou trabalhando com ele até os dias de hoje, pois ele entregou a melhor precisão.
Link to this sectionQuais aspectos do YOLOv5 tornaram o trabalho com ele fácil?#
Para Takayuki, os mecanismos pré-projetados para melhorar a precisão do modelo, como aumento de dados e evolução de parâmetros, tornam o YOLOv5 fácil. Embora isso normalmente exigisse um programa complicado, o YOLOv5 pode ser implementado adicionando um código simples. “Fiquei feliz por poder analisar os resultados e ajustar o modelo no tempo criado. Claro, também gastei tempo com anotações!”
Link to this sectionQuais outros desafios você gostaria de resolver com o YOLOv5 no futuro?#
Takayuki está mantendo suas opções em aberto: “Quero tentar com outras culturas na fazenda. Não só isso, mas quero continuar tentando com qualquer coisa que vier à mente. Acho que há mais coisas que posso descobrir ao tentar detectar objetos.”
Link to this sectionQue conselho você daria para alguém novo no mundo da IA?#
“Primeiramente, eu recomendaria o YOLOv5 para aqueles que acham que a detecção de objetos parece difícil e estão receosos de começar com visão computacional de IA. Na minha opinião, o YOLOv5 é o modelo de detecção de objetos mais acessível de implementar.
Além disso, eu sugeriria tentar usá-lo com uma quantidade menor de dados de treinamento. O Aumento de Dados é pré-projetado e, muitas vezes, produz modelos surpreendentemente interessantes.”
Takayuki Nukui equilibra sua vida entre a engenharia e o cultivo de vegetais em sua pequena fazenda. Seu site é o FarML, onde ele publica artigos sobre ML. Confira seu artigo detalhado sobre a detecção de ervilhas. Takayuki também publica frequentemente seus casos de uso em seu Twitter e YouTube.
Queremos destacar também o teu caso de uso do YOLOv5! Identifica-nos nas redes sociais @Ultralytics com #YOLOvME para teres a oportunidade de ser apresentado.
