YOLOvME: Come rendere facile l'individuazione dei piselli a fiammifero

Takayuki Nukui è un Materials Data Scientist di Tokyo, Giappone. Si potrebbe pensare che il ML e la scienza dei materiali siano un binomio improbabile, ma Takayuki ha scoperto che molte soluzioni di ML possono essere applicate al suo lavoro.

Tuttavia, il vero motivo per cui Takayuki è entrato nella ML non ha nulla a che fare con il suo ruolo attuale. Crescendo, il padre di Takayuki era un agricoltore. Spesso doveva aiutare il padre a raccogliere i piselli, un processo molto impegnativo.

Per gli occhi umani può essere difficile individuare tutti i piselli secchi di una pianta, perché si mimetizzano molto bene tra le foglie. Durante la stagione del raccolto, Takayuki doveva camminare avanti e indietro per i campi di suo padre per essere sicuro di raccogliere fino all'ultimo pisello maturo. Questo arduo processo portò Takayuki a immaginare come l'intelligenza artificiale che stava studiando in quel periodo potesse aiutare a semplificare la raccolta dei piselli secchi.

Ci siamo imbattuti nell'applicazione di Takayuki per l'individuazione dei piselli secchi su Twitter e abbiamo parlato con lui per saperne di più sul suo lavoro con YOLOv5.

Come hai scelto YOLOv5 per aiutarti a risolvere il problema dell'individuazione dei piselli secchi?

All'inizio, Takayuki ha provato diversi modelli di rilevamento degli oggetti, da YOLOv3 a SSD a EfficientDet. Tuttavia, un anno fa Takayuki ha provato YOLOv5 e ha finito per lavorare con questo modello fino a oggi perché ha fornito la migliore accuratezza.

Quali sono gli aspetti di YOLOv5 che rendono facile lavorare con esso?

Per Takayuki, i meccanismi predefiniti per migliorare l'accuratezza del modello, come l'aumento dei dati e l'evoluzione dei parametri, rendono facile YOLOv5 . Mentre di solito questo richiederebbe un programma macchinoso, YOLOv5 può essere implementato con l'aggiunta di un semplice codice. "Sono stato felice di poter analizzare i risultati e mettere a punto il modello nel tempo creato. Naturalmente, ho anche dedicato del tempo alle annotazioni!".

Quali altre sfide vorresti risolvere in futuro con YOLOv5 ?

Takayuki tiene aperte le sue opzioni: "Voglio provare con altre colture della fattoria. Non solo, ma voglio continuare a provare con qualsiasi cosa mi venga in mente. Penso che ci siano altre cose che posso scoprire provando a rilevare gli oggetti".

Che consiglio daresti a chi si affaccia per la prima volta al mondo dell'IA?

"Prima di tutto, raccomando YOLOv5 a chi pensa che il rilevamento degli oggetti sia difficile e ha paura di iniziare a lavorare con l'intelligenza artificiale. A mio parere, YOLOv5 è il modello di rilevamento degli oggetti più accessibile da implementare.

Inoltre, ti suggerisco di provare a usarlo con una quantità minore di dati di addestramento. Il Data Augmentation è pre-progettato e spesso produce modelli sorprendentemente interessanti".

Takayuki Nukui bilancia la sua vita tra l'ingegneria e la coltivazione di ortaggi nella sua piccola azienda agricola. Il suo sito web è FarMLdove pubblica articoli sul ML. Dai un'occhiata al suo articolo dettagliato sul rilevamento dei piselli a foglia larga. Takayuki pubblica spesso i suoi casi d'uso sul suo account Twitter e Youtube.

Vogliamo dare risalto anche al tuo caso d'uso di YOLOv5 ! Taggaci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere citato.

Scopri come YOLOv5 e l'AI della visione offrono soluzioni per il settore agricolo.

‍