YOLOvME：轻松检测豌豆

Takayuki Nukui 是来自日本东京的材料数据科学家。你可能认为人工智能和材料科学不太可能是一对，但 Takayuki 发现，许多人工智能解决方案都可以应用到他的工作中。

不过，Takayuki 进入 ML 的真正原因与他目前的角色无关。在高行的成长过程中，他的父亲是一名农民。很多时候，他需要帮助父亲收割豌豆，这是一个非常辛苦的过程。

对于人类的眼睛来说，要发现一株植物上的所有豌豆是非常困难的，因为它们在叶子中伪装得非常好。在收获季节，高之不得不一次又一次地在父亲的田地里来回跋涉，以确保摘下最后一颗成熟的豌豆。这个艰苦的过程让高之开始想象，他当时正在研究的视觉人工智能如何能够帮助简化豌豆的收获过程。

我们在Twitter上看到了 Takayuki 的豌豆检测应用程序，并与他进行了交谈，进一步了解了他与 YOLOv5 的合作。

您是如何选择 YOLOv5 来帮助您解决检测豆角的问题的？

起初，Takayuki 尝试了从YOLOv3到SSD再到EfficientDet 的各种物体检测模型。 不过，一年前，Takayuki 尝试了YOLOv5，并最终将其沿用至今，因为它的精度最高。

YOLOv5 的哪些方面使其易于使用？

对于 Takayuki 来说，YOLOv5 预先设计了用于提高模型精确度的机制，例如数据增强和参数演化。这通常需要一个繁琐的程序，而 YOLOv5 只需添加一个简单的代码即可实现。"我很高兴能够在创建的时间内分析结果并调整模型。当然，我也在注释上花了不少时间！"

未来，您还希望通过 YOLOv5 解决哪些挑战？

高行对自己的选择持开放态度："我想在农场里尝试种植其他作物。不仅如此，我还想继续尝试任何想到的东西。我想，通过探测物体，我还能发现更多的东西"。

对于人工智能领域的新人，您有什么建议？

"首先，我想向那些认为物体检测看起来很困难并对开始使用视觉人工智能感到担忧的人推荐 YOLOv5。在我看来，YOLOv5 是最容易实现的物体检测模型。

此外，我建议尝试使用较少的训练数据。数据增强是预先设计好的，它往往能产生令人惊讶的有趣模型"。

Takayuki Nukui 一边从事工程设计，一边在自己的小农场里种植蔬菜。他的网站是 FarML发表有关 ML 的文章。查看他的 详细文章 关于豌豆检测的详细文章。 Takayuki 还经常在他的 推特 和 Youtube.

我们也希望关注您的 YOLOv5 使用案例！在社交媒体 @Ultralytics 上用 #YOLOvME 标记我们，就有机会被报道。

了解 YOLOv5 和视觉人工智能如何为农业行业提供解决方案。

‍