Descubre cómo Takayuki Nukui aplica la IA de YOLOv5 para cosechar guisantes eficientemente, combinando el aprendizaje automático con la agricultura tradicional.
.avif)
Takayuki Nukui es un científico de datos de materiales de Tokio, Japón. Podrías pensar que el ML y la ciencia de los materiales son una pareja improbable, pero Takayuki descubrió que muchas soluciones de ML pueden aplicarse en su línea de trabajo.
Sin embargo, la verdadera razón por la que Takayuki se metió en la ML no tiene nada que ver con su papel actual. Durante su infancia, el padre de Takayuki era agricultor. A menudo, tenía que ayudar a su padre a cosechar guisantes, un proceso muy exigente.
Para los ojos humanos, puede resultar difícil detectar todos los guisantes de una planta, ya que se camuflan muy bien entre las hojas. Durante la temporada de cosecha, Takayuki tenía que ir y venir por los campos de su padre una y otra vez para asegurarse de que recogía hasta el último guisante verde maduro. Este arduo proceso llevó a Takayuki a imaginar cómo la IA de visión que estaba estudiando en aquel momento podría ayudar a simplificar la recolección de guisantes.
Nos encontramos con la aplicación de detección de guisantes de Takayuki en Twitter y hablamos con él para saber más sobre su trabajo con YOLOv5.
Al principio, Takayuki probó varios modelos de detección de objetos, desde YOLOv3 hasta SSD y EfficientDet. Sin embargo, hace un año Takayuki probó YOLOv5 y acabó trabajando con él hasta el día de hoy, ya que le proporcionó la mejor precisión.
Para Takayuki, los mecanismos prediseñados para mejorar la precisión de los modelos, como el aumento de datos y la evolución de parámetros, hacen que YOLOv5 sea fácil. Mientras que esto requeriría normalmente un programa engorroso, YOLOv5 puede implementarse añadiendo un simple código. "Me alegró poder analizar los resultados y ajustar el modelo en el tiempo creado. Por supuesto, ¡también dediqué tiempo a las anotaciones!"
Takayuki mantiene abiertas sus opciones: "Quiero probarlo con otros cultivos de la granja. No sólo eso, sino que quiero seguir probando con cualquier cosa que se me ocurra. Creo que hay más cosas que puedo averiguar intentando detectar objetos".
"En primer lugar, recomendaría YOLOv5 a quienes piensen que la detección de objetos parece difícil y tengan aprensión a empezar con la IA de visión. En mi opinión, YOLOv5 es el modelo de detección de objetos más accesible de implementar.
Además, te sugeriría que intentaras utilizarlo con una cantidad menor de datos de entrenamiento. El Aumento de Datos está prediseñado, y a menudo produce modelos sorprendentemente interesantes".
Takayuki Nukui equilibra su vida entre la ingeniería y el cultivo de verduras en su pequeña granja. Su sitio web es FarMLdonde publica artículos sobre ML. Echa un vistazo a su artículo detallado sobre la detección de Snap Pea. Takayuki también publica a menudo sus casos de uso en su cuenta de Twitter y Youtube.
También queremos destacar tu caso de uso de YOLOv5 . Etiquétanos en las redes sociales @Ultralytics con #YOLOvME para tener la oportunidad de aparecer.
Comienza tu viaje con el futuro del aprendizaje automático
