YOLOvME：轻松检测豌豆

Takayuki Nukui 是来自日本东京的材料数据科学家。你可能认为人工智能和材料科学不太可能是一对，但 Takayuki 发现，许多人工智能解决方案都可以应用到他的工作中。

不过，Takayuki 进入 ML 的真正原因与他目前的角色无关。在高行的成长过程中，他的父亲是一名农民。很多时候，他要帮助父亲收割豌豆，这是一个非常辛苦的过程。

对于人类的眼睛来说，要发现一株植物上的所有豌豆是非常困难的，因为它们在叶子中伪装得非常好。在收获季节，高之不得不一次又一次地在父亲的田地里来回跋涉，以确保摘下最后一颗成熟的豌豆。这个艰苦的过程让高行开始想象，他当时正在研究的视觉人工智能如何能够帮助简化豌豆的收获过程。

我们在Twitter上看到了 Takayuki 的豌豆检测应用程序，并与他进行了交谈，进一步了解了他与YOLOv5 合作的情况。

您是如何选择YOLOv5 来帮助您解决检测豆豆的问题的？

起初，Takayuki 尝试了从YOLOv3到SSD再到EfficientDet 的各种物体检测模型。 然而，一年前 Takayuki 尝试了 YOLOv5并一直使用到现在，因为它提供了最好的精确度。

YOLOv5 的哪些方面使其易于使用？

对于 Takayuki 来说，预先设计的提高模型精确度的机制，如数据增强和参数演化，使YOLOv5 变得简单。虽然这通常需要一个繁琐的程序，但YOLOv5 只需添加一个简单的代码即可实现。"我很高兴能在创建的时间内分析结果并调整模型。当然，我也在注释上花了不少时间！"

未来，您还希望通过YOLOv5 解决哪些难题？

高行对自己的选择持开放态度："我想在农场里尝试种植其他作物。不仅如此，我还想继续尝试任何想到的东西。我想，通过探测物体，我还能发现更多的东西"。

对于人工智能领域的新人，您有什么建议？

"首先，我想向那些认为物体检测看起来很难，并对开始学习视觉人工智能心存疑虑的人推荐YOLOv5 。在我看来，YOLOv5 是最容易实现的物体检测模型。

此外，我建议尝试使用较少的训练数据。Data Augmentation 是预先设计好的，它往往能生成令人惊讶的有趣模型。

Takayuki Nukui 一边从事工程设计，一边在自己的小农场里种植蔬菜。他的网站是 FarML发表有关 ML 的文章。查看他的 详细文章 关于豌豆检测的详细文章。 Takayuki 还经常在他的 推特 和 Youtube.

我们也希望关注您的YOLOv5 使用案例！在社交媒体 @Ultralytics 上用 #YOLOvME 标记我们，就有机会被报道。

了解YOLOv5 和视觉人工智能如何为农业行业提供解决方案。

‍