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.

Twitter'da Takayuki'nin taze fasulye algılama uygulamasına rastladık ve YOLOv5 ile yaptığı çalışmalar hakkında daha fazla bilgi edinmek için onunla konuştuk.

Şeker bezelyelerini tespit etme sorununu çözmenize yardımcı olması için neden YOLOv5'i 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 o günden bugüne onunla çalışmaya devam etti.

YOLOv5'in hangi özellikleri onunla çalışmayı kolaylaştırdı?

Takayuki için, veri artırma ve parametre evrimi gibi model doğruluğunu artırmaya yönelik önceden tasarlanmış mekanizmalar YOLOv5'i kolaylaştırıyor. Bu normalde hantal bir program gerektirse de, YOLOv5 basit bir kod eklenerek uygulanabilir. “Sonuçları analiz edebildiğim ve model üzerinde ince ayar yapabildiğim için mutlu oldum. Elbette, etiketlemeye de zaman ayırdım!”

Gelecekte YOLOv5 ile hangi diğer zorlukları çözmek istersiniz?

Takayuki seçeneklerini açık tutuyor: "Bunu çiftlikteki diğer ürünlerle denemek istiyorum. Sadece bu değil, aklıma ne gelirse onunla denemeye devam etmek istiyorum. Nesneleri tespit ederek daha fazla şey bulabileceğimi düşünüyorum."

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

“Öncelikle, nesne tespitinin zor göründüğünü düşünen ve görme yapay zekasıyla başlamaktan çekinenlere YOLOv5'i tavsiye ederim. Bence YOLOv5, uygulanması en kolay nesne tespit modelidir."

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.

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

YOLOv5 ve yapay görmenin tarım sektörü için nasıl çözümler sağladığını öğrenin.

‍