YOLOvME: A revolução digital das florestas

Stefano Puliti é investigador em deteção remota de florestas no Instituto Norueguês de Investigação em Bioeconomia (NIBIO), no departamento de inventário florestal nacional. O NIBIO é um dos maiores institutos de investigação da Noruega, com cerca de 700 funcionários. Contribui para a segurança alimentar, a gestão sustentável dos recursos, a inovação e a criação de valor através da investigação e da produção de conhecimentos.

Na sua investigação, os drones e outras técnicas de deteção de proximidade, como a digitalização móvel a laser, são utilizados para produzir análises avançadas necessárias para responder às necessidades modernas de informação.

Grande parte do trabalho que tem vindo a realizar foi feito com o projeto SmartForest, que é um programa de investigação a longo prazo financiado pelo Conselho de Investigação norueguês, juntamente com a maioria dos actores da indústria florestal na Noruega. O objetivo do SmartForest é melhorar a eficiência do sector florestal norueguês, permitindo uma revolução digital que transforme a informação florestal, a silvicultura, as operações florestais, o fornecimento de madeira e o fluxo global de informação digital na indústria.

Stefano trabalhou durante muitos anos com aplicações de aprendizagem automática mais tradicionais, como a floresta aleatória ou as máquinas de vectores de suporte. Há cerca de três anos, percebeu que era altura de acelerar o jogo no domínio da aprendizagem profunda, que ainda está em fase de crescimento no sector florestal. Desde que se apercebeu dos enormes benefícios que os investigadores podem retirar da aprendizagem profunda, Stefano tem vindo a desenvolver várias aplicações no domínio dos drones e da visão baseada em máquinas.

Há quanto tempo utilizas o YOLOv5?

"Utilizo-o desde o verão de 2021 e, desde então, nunca mais o abandonei! Devo dizer que foi um amor do tipo "à primeira vista", graças à facilidade de pôr o YOLOv5 de pôr o repositório a funcionar. Isto foi extremamente valioso para mim porque, na altura, não estava muito familiarizado com python e a curva de aprendizagem pouco profunda de YOLOv5foi o fator decisivo."

Stefano tinha recorrido à deteção de objectos principalmente para identificar, em imagens de drones, árvores em mau estado de saúde devido a danos causados por agentes abióticos (seca, vento, neve) ou bióticos (insectos e fungos). Desde então, ele e os seus colegas têm vindo a desenvolver toda uma família de detectores YOLOv5 , desde os detectores de buracos até aos detectores de bordos de estrada e de espirais.

"Quando me deparei com YOLOv5, já tinha tentado, sem sucesso, treinar alguns detectores de objectos em TensorFlow Object Detection API há algum tempo. Depois deparei-me com o repositório YOLOv5 e (sem grande esperança) tentei treinar um detetor e, com grande surpresa, iniciei o processo de aprendizagem com quatro linhas de código. Não sei se se pode definir como um processo de pensamento ou antes como um golpe de sorte, mas começou".

A maioria dos modelos é depois implementada na sua solução de nuvem (ForestSens) para fornecer serviços ao sector florestal. Aí, os utilizadores podem carregar, por exemplo, imagens de drones que são depois transformadas em informações accionáveis graças à nossa família de modelos YOLOv5 . Alguns dos seus detectores treinados são também instalados no limite das máquinas florestais ou nos camiões de exploração florestal.

Desde o início, Stefano e a sua equipa têm vindo a desenvolver toda uma série de modelos YOLOv5 para serem utilizados para ajudar:

1. Avaliação da qualidade da madeira
2. Monitoriza as necessidades de manutenção das estradas florestais
3. Detetar características relevantes para a biodiversidade na floresta

Além disso, estão também a estudar a possibilidade de alargar os seus modelos baseados em drones para a saúde e o inventário florestal a dados de imagens aéreas e de satélite de resolução mais grosseira.

Com os últimos lançamentos do YOLOv5 , eles estão ansiosos pela classificação de imagens e segmentação semântica que o YOLOv5 pode oferecer. Estas capacidades alargarão a sua capacidade de resolver tarefas complexas de visão computacional em ambientes florestais.

A facilidade de configuração, tanto para treinar os modelos (versão docker) como para a implementação do modelo, fez com que YOLOv5 fosse uma óptima opção para eles.

"Um dos aspectos que sempre me fascinou no Ultralytics é o modelo de negócio bastante novo que assenta em código aberto no seu núcleo e oferece produtos pagos para que os não especialistas acedam ao poder da aprendizagem profunda. Como cientista, aprecio muito a abertura do Ultralyticse acho que é uma óptima forma de acelerar o desenvolvimento do produto. Como resultado, o YOLOv5 está a assistir a actualizações bastante drásticas em constante evolução graças à contribuição de muitos cientistas e profissionais de dados."

O que é que gostarias de recomendar a alguém que esteja a começar a trabalhar com IA?

Ao participar em conferências internacionais durante o ano passado, descobri que os investigadores florestais ou estão assustados com a complexidade da aprendizagem profunda ou não pensam que esta possa desempenhar um papel na sua investigação. Em todos estes casos, sugeri que tirasses meio dia de anotações e tentasses treinar um YOLOv5 para compreenderes o seu poder e simplicidade.

Para o dizer em palavras concretas, eu estava a dizer: "O teu método não está a funcionar? Então YOLO !"

Se quiseres manter-te informado sobre Stefano Puliti e o seu trabalho, podes seguir a sua conta no Twitter.

Tens o teu próprio caso de utilização YOLOv5 ?

Marca-nos com #YOLOvME nas nossas redes sociais com o teu próprio caso de utilização YOLOv5 e nós promoveremos o teu trabalho junto da comunidade ML.