17 de junho de 2022
Descubra como Takayuki Nukui aplica a IA 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. 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 área de atuação.
No entanto, a verdadeira razão pela qual Takayuki entrou no ML não tem nada a ver com sua função atual. Quando criança, o pai de Takayuki era agricultor. Frequentemente, ele tinha que ajudar seu pai a colher ervilhas – um processo muito exigente.
Para os olhos humanos, pode ser difícil detetar todas as ervilhas numa planta, pois elas camuflam-se extremamente bem entre as folhas. Durante a época da colheita, Takayuki tinha de percorrer os campos do seu pai vezes sem conta para se certificar de que colhia todas as ervilhas maduras. Este árduo processo levou Takayuki a imaginar como a visão de IA que estava a estudar na altura poderia ajudar a simplificar a colheita de 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.
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 exatidão dos modelos, como o aumento dos dados e a evolução dos parâmetros, facilitam YOLOv5 . Embora isso normalmente exigisse um programa complicado, 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 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 detect objectos".
"Antes de mais, recomendo YOLOv5 a todos os que pensam que a deteção de objectos parece difícil e que 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, eu sugiro tentar usá-lo com uma quantidade menor de dados de treinamento. O Data Augmentation é pré-projetado 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 FarML, onde publica artigos sobre ML. Consulte o seu artigo detalhado sobre a deteção de ervilhas Snap. Takayuki também publica frequentemente os seus casos de uso no seu Twitter e Youtube.
Também queremos destacar o seu caso de utilização YOLOv5 ! Marque-nos nas redes sociais Ultralytics com #YOLOvME para ter a oportunidade de ser apresentado.
