YOLOvME: Die digitale Revolution der Wälder

Stefano Puliti ist Forscher im Bereich Waldfernerkundung am Norwegischen Institut für Bioökonomieforschung (NIBIO) in der Abteilung für nationale Waldinventur. Das NIBIO ist eines der größten Forschungsinstitute Norwegens mit rund 700 Mitarbeitern. Es trägt durch Forschung und Wissensproduktion zu Ernährungssicherheit, nachhaltigem Ressourcenmanagement, Innovation und Wertschöpfung bei.

In seiner Forschung werden Drohnen und andere Naherkundungstechniken wie mobiles Laserscanning eingesetzt, um fortschrittliche Analysen zu erstellen, die für den modernen Informationsbedarf benötigt werden.

Einen Großteil seiner Arbeit hat er im Rahmen des SmartForest-Projekts geleistet, einem langfristigen Forschungsprogramm, das vom norwegischen Forschungsrat zusammen mit den meisten Akteuren der norwegischen Forstwirtschaft finanziert wird. Das Ziel von SmartForest ist es, die Effizienz des norwegischen Forstsektors zu verbessern, indem es eine digitale Revolution ermöglicht, die Forstinformationen, Waldbau, Forstbetrieb, Holzversorgung und den gesamten digitalen Informationsfluss in der Branche verändert.

Stefano hat viele Jahre lang mit traditionelleren Machine Learning-Anwendungen wie Random Forest oder Support Vector Machines gearbeitet. Vor etwa drei Jahren erkannte er, dass es an der Zeit war, sich mit Deep Learning zu befassen, das sich im Forstsektor noch in der Wachstumsphase befindet. Seit er die enormen Vorteile erkannt hat, die Forscher/innen aus Deep Learning ziehen können, hat Stefano mehrere Anwendungen im Bereich Drohnen und maschinelles Sehen entwickelt.

Wie lange benutzt du YOLOv5 schon?

"Ich benutze es seit Sommer 2021 und habe es seitdem nicht mehr aufgegeben! Ich muss sagen, dass es eine "Liebe auf den ersten Blick" war, weil es so einfach war, das YOLOv5 Repo zum Laufen zu bringen. Das war für mich sehr wertvoll, weil ich mich zu der Zeit nicht sehr gut mit python auskannte und die flache Lernkurve von YOLOv5der Dealbreaker war."

Stefano nutzte die Objekterkennung vor allem, um auf Drohnenbildern Bäume zu erkennen, die durch abiotische (Trockenheit, Wind, Schnee) oder biotische Einflüsse (Insekten und Pilze) in einem schlechten Gesundheitszustand sind. Seitdem haben er und seine Kollegen eine ganze Familie von YOLOv5 Detektoren entwickelt, von Schlaglöchern über den Straßenrand bis hin zu Quirldetektoren.

"Als ich auf YOLOv5 stieß, hatte ich schon seit einiger Zeit erfolglos versucht, einige Objektdetektoren in TensorFlow Object Detection API zu trainieren. Dann stieß ich auf das YOLOv5 Repo und versuchte (ohne große Hoffnung), einen Detektor zu trainieren und zu meiner großen Überraschung startete ich den Lernprozess mit vier Zeilen Code. Ich bin mir nicht sicher, ob man das als Denkprozess oder eher als Glückstreffer bezeichnen kann, aber es hat angefangen."

Die meisten Modelle werden dann in ihrer Cloud-Lösung (ForestSens) eingesetzt, um Dienste für den Forstsektor bereitzustellen. Dort können die Nutzer zum Beispiel Drohnenbilder hochladen, die dann dank unserer YOLOv5 Modellfamilie in verwertbare Erkenntnisse umgewandelt werden. Einige der geschulten Detektoren werden auch auf Forstmaschinen oder Holzfällerfahrzeugen in der Nähe eingesetzt.

Von Anfang an hatten Stefano und sein Team eine ganze Reihe von YOLOv5 Modellen entwickelt, die als Hilfsmittel eingesetzt werden können:

1. Bewertung der Holzqualität
2. Überwachung des Bedarfs an Forststraßeninstandhaltung
3. Erkennen von biodiversitätsrelevanten Merkmalen im Wald

Außerdem untersuchen sie, wie sie ihre drohnengestützten Modelle für Waldgesundheit und -inventur auf gröbere Luft- und Satellitenbilddaten ausweiten können.

Mit den neuesten Versionen von YOLOv5 freuen sie sich sehr auf die Bildklassifizierung und semantische Segmentierung, die YOLOv5 bieten kann. Diese Fähigkeiten werden ihre Möglichkeiten zur Lösung komplexer Bildverarbeitungsaufgaben in bewaldeten Umgebungen erweitern.

Die einfache Einrichtung sowohl für das Training der Modelle (Docker-Version) als auch für die Bereitstellung der Modelle machte YOLOv5 zu einer großartigen Option für sie.

"Einer der Aspekte, die mich schon immer an Ultralytics fasziniert haben, ist das recht neue Geschäftsmodell, das im Kern auf offenem Code beruht und kostenpflichtige Produkte für Nichtfachleute anbietet, um die Leistungsfähigkeit von Deep Learning zu nutzen. Als Wissenschaftlerin schätze ich die Offenheit von Ultralyticssehr und finde, dass sie die Entwicklung des Produkts erheblich beschleunigt. Infolgedessen erfährt YOLOv5 dank der Beiträge vieler Datenwissenschaftler und Praktiker ziemlich drastische Upgrades in ständiger Weiterentwicklung."

Was würdest du jemandem empfehlen, der neu bei AI ist?

Bei meinen Besuchen auf internationalen Konferenzen im vergangenen Jahr habe ich festgestellt, dass Forstwissenschaftler entweder vor der Komplexität von Deep Learning zurückschrecken oder nicht glauben, dass es eine Rolle in ihrer Forschung spielen kann. In all diesen Fällen schlug ich vor, einen halben Tag lang Annotationen zu machen und zu versuchen, ein YOLOv5 zu trainieren, um seine Leistungsfähigkeit und Einfachheit zu verstehen.

Um es in konkrete Worte zu fassen, habe ich eigentlich gesagt: "Deine Methode funktioniert nicht? Dann YOLO sie!"

Wenn du über Stefano Puliti und seine Arbeit auf dem Laufenden bleiben möchtest, kannst du seinem Twitter-Account folgen.

Hast du deinen eigenen YOLOv5 Anwendungsfall?

Tagge uns mit #YOLOvME auf unseren sozialen Medien mit deinem ganz eigenen YOLOv5 Anwendungsfall und wir werden deine Arbeit in der ML-Community bekannt machen.