YOLOvME: Bezelye Tespitini Kolaylaştırmak

Takayuki Nukui, Tokyo, Japonya'dan bir Malzeme Veri Bilimcisidir. Makine öğrenimi ve malzeme biliminin olası olmayan bir çift olduğunu düşünebilirsiniz, ancak Takayuki birçok makine öğrenimi çözümünün kendi iş kolunda uygulanabileceğini keşfetti.

Ancak Takayuki'nin ML'ye girmesinin gerçek nedeninin şu anki rolüyle hiçbir ilgisi yok. Büyürken, Takayuki'nin babası bir çiftçiydi. Çoğu zaman babasının bezelye toplamasına yardım etmek zorunda kalırdı - çok zorlu bir süreç.

Yaprakların arasında son derece iyi kamufle olduklarından, insan gözleri için bir bitkideki tüm bezelyeleri tespit etmek zor olabilir. Hasat mevsiminde Takayuki, olgunlaşmış son bezelyeyi de topladığından emin olmak için babasının tarlasında defalarca ileri geri yürümek zorunda kalırdı. Bu zorlu süreç, Takayuki'nin o sırada üzerinde çalıştığı yapay görme teknolojisinin bezelye hasadını kolaylaştırmaya nasıl yardımcı olabileceğini hayal etmesine yol açtı.

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 'i denedi ve en iyi doğruluğu sağladığı için günümüze kadar bu modelle 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 tespit etmeye çalışarak öğrenebileceğim daha çok şey olduğunu düşünüyorum."

Yapay zeka dünyasında yeni olan birine ne tavsiye edersiniz?

"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 miktarda eğitim verisi ile kullanmayı denemenizi öneririm. Veri Artırımı önceden tasarlanmıştır ve genellikle şaşırtıcı derecede ilginç modeller üretir."

Takayuki Nukui hayatını mühendislik ve küçük çiftliğinde sebze yetiştirmek arasında dengeliyor. Onun web sitesi FarMLML üzerine makaleler yayınlıyor. Şuna bir göz atın detaylı makale Snap Pea tespiti üzerine. Takayuki ayrıca kullanım örneklerini sık sık Twitter ve Youtube.

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.

‍