YOLOvME: la rivoluzione digitale delle foreste

Stefano Puliti è ricercatore in telerilevamento forestale presso l'Istituto Norvegese di Ricerca sulla Bioeconomia (NIBIO) nel dipartimento di inventario forestale nazionale. Il NIBIO è uno dei più grandi istituti di ricerca della Norvegia e conta circa 700 dipendenti. Contribuisce alla sicurezza alimentare, alla gestione sostenibile delle risorse, all'innovazione e alla creazione di valore attraverso la ricerca e la produzione di conoscenza.

Nella sua ricerca, i droni e altre tecniche di rilevamento prossimale, come la scansione laser mobile, vengono utilizzati per produrre analisi avanzate necessarie a rispondere alle moderne esigenze informative.

Gran parte del lavoro che ha svolto è stato svolto nell'ambito del progetto SmartForest, un programma di ricerca a lungo termine finanziato dal Consiglio norvegese per la ricerca insieme alla maggior parte degli operatori del settore forestale in Norvegia. L'obiettivo di SmartForest è migliorare l'efficienza del settore forestale norvegese consentendo una rivoluzione digitale che trasformi le informazioni forestali, la selvicoltura, le operazioni forestali, la fornitura di legname e il flusso di informazioni digitali complessivo del settore.

Stefano ha lavorato per molti anni con applicazioni di machine learning più tradizionali, come le random forest o le support vector machine. Circa tre anni fa, si è reso conto che era arrivato il momento di fare un passo avanti nel campo del deep learning, che è ancora in fase di crescita per il settore forestale. Da quando si è reso conto degli enormi vantaggi che i ricercatori possono trarre dall'apprendimento profondo, Stefano ha sviluppato diverse applicazioni nel campo dei droni e della visione artificiale.

Da quanto tempo utilizzi YOLOv5?

"Lo uso dall'estate 2021 e non l'ho più abbandonato! Devo dire che è stato un amore "a prima vista" grazie alla facilità con cui è stato possibile rendere operativa la repo. YOLOv5 repo e di renderlo operativo. Questo è stato estremamente prezioso per me perché all'epoca non avevo molta dimestichezza con python e la curva di apprendimento ridotta di YOLOv5era il punto di rottura."

Stefano ha fatto ricorso al rilevamento di oggetti principalmente per identificare nelle immagini dei droni gli alberi in cattivo stato di salute a causa di danni causati da agenti abiotici (siccità, vento, neve) o biotici (insetti e funghi). Da allora, lui e i suoi colleghi hanno sviluppato un'intera famiglia di rilevatori YOLOv5 , da quelli per le buche a quelli per i bordi delle strade e per i vortici.

"Quando mi sono imbattuto in YOLOv5, avevo già provato senza successo ad addestrare alcuni rilevatori di oggetti in TensorFlow Object Detection API per qualche tempo. Poi mi sono imbattuto nella repo di YOLOv5 e (senza troppe speranze) ho provato ad addestrare un rilevatore e, con grande sorpresa, ho avviato il processo di apprendimento con quattro righe di codice. Non sono sicuro che si possa definire un processo di pensiero o piuttosto un colpo di fortuna, ma è iniziato".

La maggior parte dei modelli viene poi distribuita sulla loro soluzione cloud (ForestSens) per fornire servizi al settore forestale. Qui gli utenti possono caricare, ad esempio, immagini da un drone che vengono poi trasformate in informazioni utili grazie alla nostra famiglia di modelli YOLOv5 . Alcuni dei loro rilevatori addestrati sono anche distribuiti a bordo delle macchine forestali o dei camion per il taglio del legname.

Sin dall'inizio, Stefano e il suo team hanno sviluppato un'intera serie di modelli di YOLOv5 da utilizzare come aiuto:

1. Valutazione della qualità del legname
2. Monitorare le esigenze di manutenzione delle strade forestali
3. Rilevare le caratteristiche rilevanti per la biodiversità nella foresta

Inoltre, stanno valutando la possibilità di estendere i loro modelli basati sui droni per la salute e l'inventario delle foreste a dati di immagini aeree e satellitari a risoluzione più elevata.

Con gli ultimi rilasci di YOLOv5 , non vedono l'ora di poter sfruttare la classificazione delle immagini e la segmentazione semantica che YOLOv5 può offrire. Queste funzionalità amplieranno la loro capacità di risolvere compiti complessi di computer vision in ambienti boschivi.

La facilità di configurazione sia per l'addestramento dei modelli (versione docker), sia per la distribuzione dei modelli ha reso YOLOv5 un'ottima opzione per loro.

"Uno degli aspetti che mi ha sempre affascinato di Ultralytics è il modello di business piuttosto nuovo che si basa sul codice aperto e offre prodotti a pagamento per i non specialisti che vogliono accedere alla potenza del deep learning. Come scienziato, apprezzo molto l'apertura di Ultralyticse trovo che sia un ottimo modo per accelerare lo sviluppo del prodotto. Di conseguenza, YOLOv5 sta subendo aggiornamenti piuttosto drastici e in costante evoluzione grazie al contributo di molti data scientist e professionisti."

Cosa consiglieresti a chi è alle prime armi con l'IA?

Durante le conferenze internazionali dello scorso anno, ho scoperto che i ricercatori forestali sono spaventati dalla complessità del deep learning o non pensano che possa avere un ruolo nella loro ricerca. In tutti questi casi, ho suggerito di dedicare una mezza giornata all'annotazione e di provare ad addestrare un YOLOv5 per comprenderne la potenza e la semplicità.

Per dirla con parole vere e proprie, stavo dicendo: "Il tuo metodo non funziona? Allora YOLO !"

Se vuoi rimanere aggiornato su Stefano Puliti e il suo lavoro, segui il suo account Twitter.

Hai un tuo caso d'uso di YOLOv5 ?

Taggaci con #YOLOvME sui nostri social media con il tuo caso d'uso personale di YOLOv5 e noi promuoveremo il tuo lavoro alla comunità ML.