Explora la investigación forestal transformadora de Stefano Puliti utilizando YOLOv5 para la detección y el análisis de la silvicultura mediante drones.
Stefano Puliti es investigador en teledetección forestal en el Instituto Noruego de Investigación en Bioeconomía (NIBIO ), en el departamento nacional de inventario forestal. El NIBIO es uno de los mayores institutos de investigación de Noruega, con unos 700 empleados. Contribuyen a la seguridad alimentaria, la gestión sostenible de los recursos, la innovación y la creación de valor mediante la investigación y la producción de conocimientos.
.webp)
En su investigación, los drones y otras técnicas de detección próxima, como el escaneado láser móvil, se utilizan para producir análisis avanzados necesarios para responder a las necesidades modernas de información.
Gran parte de su trabajo se ha realizado con el proyecto SmartForest, que es un programa de investigación a largo plazo financiado por el Consejo Noruego de Investigación junto con la mayoría de los agentes de la industria forestal de Noruega. El objetivo de SmartForest es mejorar la eficacia del sector forestal noruego haciendo posible una revolución digital que transforme la información forestal, la silvicultura, las operaciones forestales, el suministro de madera y el flujo general de información digital en el sector.
Stefano trabajó durante muchos años con aplicaciones de aprendizaje automático más tradicionales, como los bosques aleatorios o las máquinas de vectores de soporte. Hace unos tres años, se dio cuenta de que había llegado el momento de dar un paso adelante en el campo del aprendizaje profundo, que aún se encuentra en fase de crecimiento para el sector forestal. Desde que se dio cuenta de las enormes ventajas que los investigadores pueden obtener del aprendizaje profundo, Stefano ha estado desarrollando varias aplicaciones en el campo de los drones y la visión artificial.
"¡La utilizo desde el verano de 2021 y no la he abandonado desde entonces! Tengo que decir que, fue un amor del tipo "a primera vista" gracias a la facilidad de poner en marcha el YOLOv5 repo en funcionamiento. Esto fue muy valioso para mí, porque en aquel momento no estaba muy familiarizado con python y la curva de aprendizaje poco profunda de YOLOv5fue el factor decisivo."
Stefano había recurrido a la detección de objetos principalmente para identificar en imágenes de drones árboles en mal estado de salud, ya fuera por daños causados por agentes abióticos (sequía, viento, nieve) o bióticos (insectos y hongos). Desde entonces, él y sus colegas han desarrollado toda una familia de detectores YOLOv5 , desde los baches hasta los detectores de bordes de carreteras y verticilos.
"Cuando me topé con YOLOv5, llevaba tiempo intentando sin éxito entrenar algunos detectores de objetos en TensorFlow Object Detection API. Entonces me topé con el repo YOLOv5 y (sin muchas esperanzas) intenté entrenar un detector y, con gran sorpresa, inicié el proceso de aprendizaje con cuatro líneas de código. No estoy seguro de que se pueda definir como un proceso de pensamiento o más bien como un golpe de suerte, pero empezó".
.webp)
La mayoría de los modelos se despliegan después en su solución en la nube (ForestSens) para prestar servicios al sector forestal. Allí, los usuarios pueden cargar, por ejemplo, imágenes de drones que luego se convierten en información procesable gracias a nuestra familia de modelos YOLOv5 . Algunos de sus detectores entrenados también se instalan en el borde de las máquinas forestales o en camiones madereros.
Desde el principio, Stefano y su equipo habían estado desarrollando toda una serie de modelos de YOLOv5 para ayudar en:
Además, también están estudiando la posibilidad de ampliar sus modelos de salud e inventario forestal basados en drones a datos de imágenes aéreas y de satélite de resolución más gruesa.
Con las últimas versiones de YOLOv5 , están muy ilusionados con la clasificación de imágenes y la segmentación semántica que puede ofrecer YOLOv5 . Estas capacidades ampliarán su capacidad para resolver tareas complejas de visión por ordenador en entornos boscosos.
La facilidad de configuración tanto para el entrenamiento de los modelos (versión docker), como para el despliegue de los modelos, hizo que YOLOv5 fuera una gran opción para ellos.
"Uno de los aspectos que siempre me ha fascinado de Ultralytics es el modelo de negocio bastante novedoso que se basa en el código abierto en su núcleo y ofrece productos de pago para que los no especialistas puedan acceder a la potencia del aprendizaje profundo. Como científico, aprecio mucho la apertura de Ultralyticsy me parece una forma estupenda de acelerar el desarrollo del producto. Como resultado, YOLOv5 está experimentando actualizaciones bastante drásticas en constante evolución gracias a la contribución de muchos científicos de datos y profesionales."
Al asistir a conferencias internacionales durante el año pasado, descubrí que los investigadores forestales están asustados por la complejidad del aprendizaje profundo o no creen que pueda desempeñar un papel en su investigación. En todos estos casos, les sugerí que se tomaran medio día de anotación e intentaran entrenar un YOLOv5 para comprender su potencia y simplicidad.
Para expresarlo con palabras reales, en realidad estaba diciendo: "¿Tu método no funciona? Entonces, YOLO ".
Si quieres estar al día sobre Stefano Puliti y su trabajo, no dudes en seguir su cuenta de Twitter.
Etiquétanos con #YOLOvME en nuestras redes sociales con tu propio caso de uso de YOLOv5 y promocionaremos tu trabajo entre la comunidad de ML.
Comienza tu viaje con el futuro del aprendizaje automático
