YOLOvME: Facilitando a Detecção de Ervilhas de Quebrar

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.

Encontramos o aplicativo de detecção de ervilhas de Takayuki no Twitter e conversamos com ele para saber mais sobre seu trabalho com o YOLOv5.

Como você escolheu o YOLOv5 para ajudá-lo a resolver o problema de detecção de ervilhas tortas?

Inicialmente, Takayuki experimentou vários modelos de detecção de objetos, desde o YOLOv3 até o SSD e o EfficientDet. No entanto, há um ano, Takayuki experimentou o YOLOv5 e acabou trabalhando com ele até o presente momento, pois ele ofereceu a melhor precisão.

Quais aspectos do YOLOv5 facilitaram o trabalho?

Para Takayuki, os mecanismos pré-definidos para melhorar a precisão do modelo, como o aumento de dados e a evolução de parâmetros, tornam o YOLOv5 fácil de usar. 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 passei tempo com anotações!”

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

Takayuki está mantendo suas opções em aberto: “Eu quero experimentar com outras culturas na fazenda. Não só isso, mas quero continuar tentando com tudo o que vier à mente. Acho que há mais coisas que posso descobrir tentando detectar objetos.”

Que conselho você daria a alguém novo no mundo da IA?

"Primeiramente, eu recomendaria o YOLOv5 para aqueles que acham a detecção de objetos difícil e estão apreensivos em começar com visão de IA. Na minha opinião, o YOLOv5 é o modelo de detecção de objetos 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.

Queremos destacar seu caso de uso YOLOv5 também! Marque-nos nas redes sociais @Ultralytics com #YOLOvME para ter a chance de ser destaque.

Saiba mais sobre como o YOLOv5 e a visão de IA fornecem soluções para o setor agrícola.

‍