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.
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 o Ultralytics YOLOv5.
Como escolheste o Ultralytics YOLOv5 para te ajudar a resolver o problema da deteção de ervilhas de quebrar?#
No início, o Takayuki experimentou vários modelos de deteção de objetos, desde o YOLOv3 até ao SSD e ao EfficientDet. No entanto, há um ano, o Takayuki experimentou o YOLOv5 e acabou por trabalhar com ele até aos dias de hoje, pois oferecia a melhor precisão.
Que aspetos do Ultralytics YOLOv5 tornaram fácil trabalhar com ele?#
Para o Takayuki, os mecanismos pré-concebidos para melhorar a precisão dos modelos, como a augmentação de dados e a evolução de parâmetros, tornam o Ultralytics YOLOv5 fácil. Embora isto normalmente exigisse um programa complexo, o YOLOv5 pode ser implementado adicionando um código simples. “Fiquei feliz por conseguir analisar os resultados e afinar o modelo no tempo gerado. Claro que também passei tempo a fazer anotações!”
Que outros desafios gostarias de resolver com o Ultralytics 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.”
Que conselho você daria para alguém novo no mundo da IA?#
“Antes de mais, recomendo o Ultralytics YOLOv5 a quem pensa que a deteção de objetos parece difícil e tem receio de começar com IA de visão. Na minha opinião, o YOLOv5 é o modelo de deteção 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.”
O Takayuki Nukui equilibra a sua vida entre a engenharia e o cultivo de legumes na sua pequena quinta. O seu site é o FarML, onde publica artigos sobre ML. Vê o seu detailed article sobre a deteção de ervilhas. O Takayuki também publica frequentemente os seus casos de uso no 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.
