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

Team Ultralytics

3 minuti di lettura

17 giugno 2022

Scoprite come Takayuki Nukui applica l'intelligenza artificiale di YOLOv5 per una raccolta efficiente dei piselli istantanei, combinando l'apprendimento automatico con l'agricoltura tradizionale.

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. Da piccolo, 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'IA di visione che stava studiando in quel periodo potesse aiutare a semplificare la raccolta dei piselli secchi.

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

Come avete scelto YOLOv5 per aiutarvi a risolvere il problema dell'individuazione dei piselli a scatto?

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 lavorarci fino a oggi, poiché ha fornito la migliore precisione.

Quali sono gli aspetti di YOLOv5 che hanno reso più facile lavorare con lui?

Per Takayuki, i meccanismi preimpostati per migliorare la precisione del modello, come l'aumento dei dati e l'evoluzione dei parametri, rendono YOLOv5 semplice. Mentre di solito ciò richiederebbe un programma complesso, 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!".

Rilevamento dei piselli con YOLOv5

Quali altre sfide vorreste risolvere con YOLOv5 in futuro?

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".

Quale consiglio darebbe a chi si affaccia per la prima volta al mondo dell'IA?

"Prima di tutto, raccomando YOLOv5 a coloro che pensano che il rilevamento degli oggetti sia difficile e che hanno paura di iniziare a lavorare con l'IA della visione. A mio parere, YOLOv5 è il modello di rilevamento degli oggetti più accessibile da implementare.

Inoltre, suggerirei 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. Date un'occhiata al suo articolo dettagliato sul rilevamento dei piselli a foglia larga. Takayuki pubblica spesso i suoi casi d'uso anche su Twitter e Youtube.

Vogliamo mettere in evidenza anche il vostro caso d'uso di YOLOv5! Taggateci sui social media @Ultralytics con #YOLOvME per avere la possibilità di essere presentati.

Scoprite come YOLOv5 e l'intelligenza artificiale forniscono soluzioni per il settore agricolo.


Costruiamo insieme il futuro
dell'IA!

Iniziate il vostro viaggio nel futuro dell'apprendimento automatico

Iniziare gratuitamente
Link copiato negli appunti