機械学習と伝統的な農業を融合させ、YOLOv5 AIを活用して効率的にスナップエンドウを収穫する貫井隆之の方法をご覧ください。
.webp)
貫井孝之は東京出身のマテリアル・データサイエンティストである。MLと材料科学は似つかわしくない組み合わせだと思われるかもしれないが、彼の仕事には多くのMLソリューションが応用できる。
しかし、孝之がMLに入った本当の理由は、現在の役割とは関係ない。幼い頃、孝之の父親は農家だった。スナップエンドウの収穫を手伝うこともしばしばあった。
スナップエンドウは葉っぱの間にうまく隠れてしまうので、人間の目ですべてのスナップエンドウを見つけるのは難しい。収穫の季節になると、隆之は父親の畑を何度も往復して、熟したスナップエンドウを残らず収穫するようにしなければならなかった。この骨の折れる作業から、孝之は当時研究していた視覚AIがスナップエンドウの収穫を簡略化できるのではないかと思いついた。
私たちはツイッターで貴之のスナップエンドウ検出アプリケーションを見つけ、YOLOv5での彼の仕事についてもっと知るために彼に話を聞いた。
当初はYOLOv3、SSD、EfficientDetとさまざまな物体検出モデルを試したが、1年前にYOLOv5を試したところ、最も精度が高かったため、現在に至っている。
孝之にとってYOLOv5は、データ補強やパラメータ進化など、モデルの精度を向上させるためのメカニズムがあらかじめ設計されているため、簡単だ。通常であれば面倒なプログラムが必要になるが、YOLOv5は簡単なコードを追加するだけで実装できる。"作成された時間で結果を分析し、モデルをチューニングできたのは嬉しかった。もちろん、アノテーションにも時間を費やしました！"
貴之は選択肢を広げている：「農場の他の作物でも試してみたい。それだけでなく、思いついたことはどんどんやってみたい。物体を検知してみることで、もっといろいろなことが見えてくると思うんです。"
"まず、YOLOv5は、物体検出が難しそうだと思っている人、ビジョンAIを始めることに不安を感じている人にお勧めしたい。私の意見では、YOLOv5は最も実装しやすい物体検出モデルです。
また、より少ない量のトレーニングデータで使ってみることをお勧めする。Data Augmentationはあらかじめ設計されており、驚くほど面白いモデルができることが多い。"
貫井貴之はエンジニアリングと小さな農場での野菜作りを両立させている。彼のウェブサイトは ファーエムエルで、MLに関する記事を公開している。彼の 詳細記事 をご覧ください。 また 、Takayukiは 自身のTwitterでユースケースを投稿しています。 ツイッター や Youtube.
あなたのYOLOv5のユースケースにもスポットライトを当てたいと思います！ソーシャルメディア @Ultralytics で #YOLOvME とタグ付けしてください。
.webp)
.webp)
JA
EN
ZH
KO
RU
DE
FR
ES
PT
IT
TR
VI
AR