YOLOvME：让荷兰豆检测变简单

Takayuki Nukui 是一位来自日本东京的材料数据科学家。你可能会觉得机器学习和材料科学不太搭边，但 Takayuki 发现，许多机器学习解决方案都能应用于他的工作领域。

不过，Takayuki 接触机器学习的真正原因与他目前的工作无关。Takayuki 小时候，父亲是一位农民。他常常得帮父亲采收荷兰豆——这是一项非常辛苦的工作。

人眼很难找出植物上的所有荷兰豆，因为它们非常善于隐藏在叶片之间。到了收获季，Takayuki 不得不一次又一次地在父亲的田地里来回奔走，确保摘下每一颗成熟的荷兰豆。这项艰苦的工作让 Takayuki 开始设想，当时正在学习的视觉 AI 是否能帮助简化荷兰豆采收。

我们在 Twitter 上看到 Takayuki 的荷兰豆检测应用后，联系了他，进一步了解他使用 Ultralytics YOLOv5 开展的工作。

你是如何选择 Ultralytics YOLOv5 来解决荷兰豆检测问题的？#

一开始，Takayuki 尝试了多种目标检测模型，从 YOLOv3 到 SSD，再到 EfficientDet。不过，一年前 Takayuki 尝试了 YOLOv5，由于它能达到最佳精度，他便一直用到了现在。

Ultralytics YOLOv5 的哪些特点让它易于使用？#

对于 Takayuki 来说，数据增强和超参数演化等旨在提升模型准确率的预设机制，让 Ultralytics YOLOv5 易于使用。通常这需要编写繁琐的程序，而 YOLOv5 只需几行代码就能实现这些功能。“我很高兴能利用空闲时间分析结果并调整模型。当然，我也花了时间做标注！”

未来你还想用 Ultralytics YOLOv5 解决哪些挑战？#

Takayuki 对各种可能性持开放态度：“我想试试在农场种植的其他作物。不仅如此，我还想继续尝试任何能想到的东西。我觉得，通过尝试检测物体，我还能发现更多事情。”

你会给 AI 领域的新手什么建议？#

“首先，我会向那些觉得目标检测很难、对开始接触视觉 AI 心存顾虑的人推荐 Ultralytics YOLOv5。在我看来，YOLOv5 是最容易上手实现的目标检测模型。

另外，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，而且往往能生成令人惊喜、有趣的模型。”

Takayuki Nukui 在工程工作和小农场种菜之间平衡生活。他的网站是 FarML，他会在上面发布机器学习相关文章。看看他关于荷兰豆检测的详细文章。Takayuki 也经常在自己的 Twitter 和 YouTube 上分享应用案例。

我们也想展示你的 YOLOv5 使用案例！在社交媒体上使用 #YOLOvME 标记 @Ultralytics，就有机会获得专题展示。

了解 Ultralytics YOLOv5 和视觉 AI 如何为农业行业提供解决方案。