YOLOvME: Làm cho việc phát hiện đậu Hà Lan trở nên dễ dàng
Khám phá cách Takayuki Nukui áp dụng AI YOLOv5 để thu hoạch đậu Hà Lan hiệu quả—kết hợp học máy với canh tác truyền thống.
Takayuki Nukui là một nhà khoa học dữ liệu vật liệu đến từ Tokyo, Nhật Bản. Bạn có thể nghĩ rằng ML và khoa học vật liệu là một sự kết hợp khó xảy ra, nhưng Takayuki nhận thấy rằng nhiều giải pháp ML có thể được áp dụng trong lĩnh vực công việc của mình.
Tuy nhiên, lý do thực sự khiến Takayuki đến với ML không liên quan gì đến vai trò hiện tại của anh ấy. Lớn lên, cha của Takayuki là một nông dân. Anh thường xuyên phải giúp cha mình thu hoạch đậu hà lan – một quy trình rất đòi hỏi công sức.
Đối với mắt người, việc phát hiện tất cả đậu hà lan trên cây có thể là một thách thức vì chúng ngụy trang rất tốt giữa các tán lá. Trong mùa thu hoạch, Takayuki phải đi bộ qua lại trên cánh đồng của cha mình hết lần này đến lần khác để đảm bảo rằng anh đã hái sạch mọi quả đậu hà lan chín. Quy trình gian khổ này đã thôi thúc Takayuki hình dung cách mà AI thị giác máy tính mà anh đang nghiên cứu vào thời điểm đó có thể giúp đơn giản hóa việc thu hoạch đậu hà lan như thế nào.
Chúng tôi tình cờ thấy ứng dụng nhận diện đậu hà lan của Takayuki trên Twitter và đã trao đổi với anh ấy để tìm hiểu thêm về công việc của anh với YOLOv5.
Link to this sectionBạn đã chọn YOLOv5 như thế nào để giúp mình giải quyết vấn đề nhận diện đậu hà lan?#
Ban đầu, Takayuki đã thử nghiệm nhiều mô hình nhận diện đối tượng khác nhau từ YOLOv3 đến SSD và EfficientDet. Tuy nhiên, một năm trước, Takayuki đã thử nghiệm với YOLOv5 và cuối cùng đã làm việc với nó cho đến tận ngày nay vì nó mang lại độ chính xác cao nhất.
Link to this sectionNhững khía cạnh nào của YOLOv5 khiến việc sử dụng nó trở nên dễ dàng?#
Đối với Takayuki, các cơ chế được thiết kế sẵn để cải thiện độ chính xác của mô hình, chẳng hạn như data augmentation và parameter evolution, làm cho YOLOv5 trở nên dễ dàng. Mặc dù điều này thường đòi hỏi một chương trình phức tạp, nhưng YOLOv5 có thể được triển khai bằng cách thêm một đoạn code đơn giản. “Tôi rất vui khi có thể phân tích kết quả và tinh chỉnh mô hình trong khoảng thời gian đã tạo ra. Tất nhiên, tôi cũng dành thời gian cho việc chú thích (annotations)!”
Link to this sectionBạn muốn giải quyết những thách thức nào khác với YOLOv5 trong tương lai?#
Takayuki vẫn giữ cho mình những lựa chọn mở: “Tôi muốn thử nghiệm nó với các loại cây trồng khác trong trang trại. Không chỉ vậy, tôi muốn tiếp tục thử nghiệm với bất cứ điều gì nảy ra trong đầu. Tôi nghĩ rằng có nhiều điều tôi có thể khám phá ra bằng cách thử nhận diện các đối tượng.”
Link to this sectionBạn có lời khuyên nào dành cho người mới bước vào thế giới AI không?#
“Trước hết, tôi muốn giới thiệu YOLOv5 cho những ai cho rằng nhận diện đối tượng là khó và cảm thấy e ngại khi bắt đầu với AI thị giác máy tính. Theo ý kiến của tôi, YOLOv5 là mô hình nhận diện đối tượng dễ tiếp cận nhất để triển khai.”
Ngoài ra, tôi cũng gợi ý hãy thử sử dụng nó với lượng dữ liệu training ít hơn. Data Augmentation đã được thiết kế sẵn, và nó thường tạo ra các mô hình thú vị đến kinh ngạc.”
Takayuki Nukui cân bằng cuộc sống giữa kỹ thuật và việc trồng rau tại trang trại nhỏ của mình. Website của anh ấy là FarML, nơi anh xuất bản các bài viết về ML. Hãy xem bài viết chi tiết của anh ấy về nhận diện Đậu Hà Lan. Takayuki cũng thường đăng các trường hợp sử dụng của mình lên Twitter và YouTube của anh ấy.
Chúng tôi cũng muốn làm nổi bật case study YOLOv5 của bạn! Hãy gắn thẻ chúng tôi trên mạng xã hội @Ultralytics với #YOLOvME để có cơ hội được giới thiệu.
