了解 Takayuki Nukui 如何应用YOLOv5 人工智能高效收割豌豆，将机器学习与传统耕作相结合。
.webp)
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
了解 Takayuki Nukui 如何应用YOLOv5 人工智能高效收割豌豆，将机器学习与传统耕作相结合。
Takayuki Nukui 是来自日本东京的材料数据科学家。您可能认为机器学习和材料科学不太可能结合在一起，但 Takayuki 发现许多机器学习解决方案可以应用于他的工作领域。
然而，Takayuki进入机器学习领域的真正原因与他目前的角色无关。在成长过程中，Takayuki的父亲是一名农民。他经常不得不帮助父亲收获豌豆——这是一个非常艰巨的过程。
对于人眼来说，很难发现植物上的所有荷兰豆，因为它们在叶子中伪装得非常好。在收获季节，Takayuki 不得不一次又一次地在他的父亲的田地里来回跋涉，以确保他采摘了每一颗成熟的荷兰豆。这个艰苦的过程让 Takayuki 想象当时他正在研究的视觉人工智能如何帮助简化荷兰豆的收获。
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。
最初，Takayuki 尝试了从YOLOv3到SSD再到EfficientDet 的各种对象检测模型。 但是，一年前，Takayuki 尝试了 YOLOv5并一直使用到现在，因为它提供了最好的准确性。
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！"
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detect 物体，我还能发现更多的东西"。
"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，我建议尝试使用少量训练数据。数据增强是预先设计的，它通常会产生非常有趣的模型。
Takayuki Nukui 在工程和在他小农场种植蔬菜之间平衡着他的生活。他的网站是FarML，他在那里发表关于 ML 的文章。查看他关于豌豆检测的详细文章。Takayuki 还经常在他的Twitter 和Youtube 上发布他的用例。
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。
