YOLOvME: Taze Bezelye Tespiti Kolaylaştırma

Takayuki Nukui, Tokyo, Japonya'dan bir Malzeme Veri Bilimcisidir. ML ve malzeme biliminin pek olası bir eşleşme olmadığını düşünebilirsiniz, ancak Takayuki birçok ML çözümünün kendi çalışma alanında uygulanabileceğini keşfetti.

Ancak, Takayuki'nin ML'ye girmesinin asıl nedeni, şu anki rolüyle hiçbir ilgisi yok. Takayuki büyürken babası çiftçiydi. Çoğu zaman, babasına taze fasulye hasadında yardım etmek zorundaydı; bu çok zorlu bir süreçti.

İnsan gözü için, yapraklar arasında son derece iyi kamufle oldukları için bir bitkideki tüm çıtır bezelyeleri tespit etmek zor olabilir. Hasat mevsimi boyunca, Takayuki, olgunlaşmış son çıtır bezelyeyi bile topladığına emin olmak için babasının tarlalarında tekrar tekrar yürümek zorunda kalıyordu. Bu zorlu süreç, Takayuki'yi o sırada okuduğu vision AI'nın çıtır bezelye hasadını nasıl basitleştirebileceğini hayal etmeye yöneltti.

Takayuki'nin bezelye tespit uygulamasına Twitter 'da rastladık ve YOLOv5 ile yaptığı çalışmalar hakkında daha fazla bilgi edinmek için kendisiyle konuştuk.

Bezelye tespit etme sorununu çözmenize yardımcı olması için YOLOv5 'i nasıl seçtiniz?

Başlangıçta Takayuki, YOLOv3 'ten SSD 'ye ve EfficientDet'e kadar çeşitli nesne algılama modellerini denedi. Ancak bir yıl önce Takayuki YOLOv5 ve en iyi doğruluğu sağladığı için günümüze kadar onunla çalışmaya devam etti.

YOLOv5 'in hangi yönleri çalışmayı kolaylaştırdı?

Takayuki'ye göre, veri artırımı ve parametre evrimi gibi model doğruluklarını iyileştirmek için önceden tasarlanmış mekanizmalar YOLOv5 'i kolaylaştırıyor. Normalde bunun için hantal bir program gerekirken, YOLOv5 basit bir kod eklenerek uygulanabiliyor. "Sonuçları analiz edebildiğim ve oluşturulan zamanda modeli ayarlayabildiğim için mutluydum. Tabii ki ek açıklamalar için de zaman harcadım!"

Gelecekte YOLOv5 ile başka hangi zorlukları çözmek istersiniz?

Takayuki seçeneklerini açık tutuyor: "Çiftlikteki diğer ürünlerle de denemek istiyorum. Sadece bu da değil, aklıma gelen her şeyi denemeye devam etmek istiyorum. Nesneleri detect etmeye çalışarak öğrenebileceğim daha çok şey olduğunu düşünüyorum."

Yapay zeka dünyasına yeni adım atan birine ne gibi tavsiyelerde bulunurdunuz?

"Öncelikle YOLOv5 'i nesne algılamanın zor göründüğünü düşünen ve görüntü yapay zekasına başlamaktan çekinenlere tavsiye ederim. Bence YOLOv5 , uygulanabilecek en erişilebilir nesne algılama modeli.

Ayrıca, daha az eğitim verisiyle kullanmayı denemenizi öneririm. Veri Artırma önceden tasarlanmıştır ve genellikle şaşırtıcı derecede ilginç modeller üretir.

Takayuki Nukui, mühendislik ve küçük çiftliğinde sebze yetiştirme arasında bir denge kuruyor. Web sitesi FarML, burada ML üzerine makaleler yayınlıyor. Snap Pea tespiti üzerine ayrıntılı makalesine göz atın. Takayuki ayrıca kullanım örneklerini sık sık Twitter ve Youtube'da yayınlıyor.

Sizin YOLOv5 kullanım örneğinizi de öne çıkarmak istiyoruz! Öne çıkma şansı için bizi sosyal medyada Ultralytics #YOLOvME ile etiketleyin.

YOLOv5 ve vision AI'nin tarım sektörü için nasıl çözümler sunduğunu öğrenin.

‍