Explore la recherche forestière transformatrice de Stefano Puliti en utilisant YOLOv5 pour la détection et l'analyse par drone dans la foresterie.
Stefano Puliti est chercheur en télédétection forestière à l'Institut norvégien de recherche en bioéconomie (NIBIO), au sein du département de l'inventaire forestier national. Le NIBIO est l'un des plus grands instituts de recherche de Norvège et compte environ 700 employés. Ils contribuent à la sécurité et à la sûreté alimentaires, à la gestion durable des ressources, à l'innovation et à la création de valeur par le biais de la recherche et de la production de connaissances.
.webp)
Dans ses recherches, les drones et d'autres techniques de détection proximale telles que le balayage laser mobile sont utilisés pour produire des analyses avancées nécessaires pour répondre aux besoins modernes en matière d'information.
Une grande partie de son travail a été réalisée dans le cadre du projet SmartForest, qui est un programme de recherche à long terme financé par le Conseil norvégien de la recherche ainsi que par la plupart des acteurs de l'industrie forestière en Norvège. L'objectif de SmartForest est d'améliorer l'efficacité du secteur forestier norvégien en permettant une révolution numérique transformant les informations forestières, la sylviculture, les opérations forestières, l'approvisionnement en bois et le flux global d'informations numériques dans l'industrie.
Stefano a travaillé pendant de nombreuses années avec des applications d'apprentissage automatique plus traditionnelles telles que la forêt aléatoire ou les machines à vecteurs de support. Il y a environ trois ans, il a réalisé qu'il était temps de passer à la vitesse supérieure dans le domaine de l'apprentissage profond, qui est encore en phase de croissance pour le secteur forestier. Depuis qu'il a compris les avantages considérables que les chercheurs peuvent tirer de l'apprentissage profond, Stefano a développé plusieurs applications dans le domaine de la vision des drones et des machines.
"Je l'utilise depuis l'été 2021, et je ne l'ai pas abandonné depuis ! Je dois dire que, c'était un amour du type "premier regard" grâce à la facilité de mise en place du YOLOv5 repo et de le faire fonctionner. C'était extrêmement précieux pour moi car à l'époque, je n'étais pas très familier avec python et la courbe d'apprentissage peu profonde de YOLOv5'était le point de rupture."
Stefano a eu recours à la détection d'objets principalement pour identifier sur les images de drone les arbres en mauvais état de santé en raison des dommages causés par des agents abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis, lui et ses collègues ont développé toute une famille de détecteurs YOLOv5 , des nids de poule aux détecteurs de bord de route et de verticilles.
"Au moment où je suis tombé sur YOLOv5, j'avais essayé sans succès d'entraîner quelques détecteurs d'objets dans TensorFlow Object Detection API depuis un certain temps. Puis je suis tombé sur le repo YOLOv5 et (sans grand espoir) j'ai tenté d'entraîner un détecteur et, à ma grande surprise, j'ai commencé le processus d'apprentissage avec quatre lignes de code. Je ne suis pas sûr que l'on puisse définir cela comme un processus de réflexion ou plutôt comme un coup de chance, mais cela a commencé."
.webp)
La plupart des modèles sont ensuite déployés sur leur solution cloud (ForestSens) pour fournir des services au secteur forestier. Là, les utilisateurs peuvent télécharger par exemple des images de drones qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5 . Certains de leurs détecteurs entraînés sont également déployés à la périphérie sur des machines forestières ou sur des grumiers.
Depuis le début, Stefano et son équipe ont développé toute une série de modèles YOLOv5 à utiliser pour aider à.. :
En outre, ils envisagent d'étendre leurs modèles basés sur les drones pour la santé et l'inventaire des forêts à des données d'images aériennes et satellitaires de résolution plus grossière.
Avec les dernières versions de YOLOv5 , ils attendent avec impatience la classification d'images et la segmentation sémantique que YOLOv5 peut offrir. Ces capacités étendront leur aptitude à résoudre des tâches complexes de vision par ordinateur dans les environnements forestiers.
La facilité de mise en place à la fois pour l'entraînement des modèles (version docker), ainsi que pour le déploiement des modèles a fait de YOLOv5 une excellente option pour eux.
"L'un des aspects qui m'a toujours fasciné sur Ultralytics est le modèle commercial plutôt nouveau qui s'appuie sur un code ouvert en son cœur et propose des produits payants pour que les non-spécialistes puissent accéder à la puissance de l'apprentissage profond. En tant que scientifique, j'apprécie beaucoup l'ouverture de Ultralytics'et je trouve que c'est un excellent moyen d'accélérer le développement du produit. En conséquence, YOLOv5 connaît des mises à niveau plutôt drastiques en constante évolution grâce à la contribution de nombreux scientifiques et praticiens des données."
En me rendant à des conférences internationales au cours de l'année écoulée, j'ai constaté que les chercheurs en foresterie sont soit effrayés par la complexité du deep learning, soit ne pensent pas qu'il puisse jouer un rôle dans leurs recherches. Dans tous ces cas, j'ai suggéré de prendre une demi-journée d'annotation et d'essayer d'entraîner un YOLOv5 pour comprendre sa puissance et sa simplicité.
Pour le dire avec des mots réels, je disais en fait : "Ta méthode ne fonctionne pas ? Alors YOLO !"
Si tu souhaites rester au courant de l'actualité de Stefano Puliti et de son travail, n'hésite pas à suivre son compte Twitter.
Étiquette-nous avec #YOLOvME sur nos médias sociaux avec ton propre cas d'utilisation YOLOv5 et nous ferons la promotion de ton travail auprès de la communauté ML.
Commence ton voyage avec le futur de l'apprentissage automatique.
