YOLOvME: Цифровая революция лесов

Стефано Пулити - исследователь в области дистанционного зондирования лесов в Норвежском институте исследований биоэкономики (NIBIO) в отделе национальной инвентаризации лесов. NIBIO - один из крупнейших исследовательских институтов Норвегии, в котором работает около 700 сотрудников. Они вносят свой вклад в обеспечение продовольственной безопасности и сохранности продуктов питания, устойчивое управление ресурсами, инновации и создание стоимости посредством исследований и производства знаний.

В его исследованиях дроны и другие методы приближенного зондирования, такие как мобильное лазерное сканирование, используются для получения передовой аналитики, необходимой для удовлетворения современных информационных потребностей.

Большую часть своей работы он проделал в рамках проекта SmartForest, который представляет собой долгосрочную исследовательскую программу, финансируемую Норвежским исследовательским советом совместно с большинством участников лесной отрасли Норвегии. Цель SmartForest - повысить эффективность норвежского лесного сектора за счет цифровой революции, преобразующей лесную информацию, лесоводство, лесохозяйственные работы, поставки древесины и общий поток цифровой информации в отрасли.

Стефано много лет работал с более традиционными приложениями машинного обучения, такими как случайный лес или машины опорных векторов. Около трех лет назад он понял, что настало время активизировать игру в области глубокого обучения, которое все еще находится на стадии роста для лесного сектора. С тех пор как Стефано осознал огромные преимущества, которые исследователи могут извлечь из глубокого обучения, он разрабатывает несколько приложений в области беспилотного и машинного зрения.

Как давно ты используешь YOLOv5?

"Я использую его с лета 2021 года и с тех пор не расставался с ним! Должен сказать, что это была любовь "с первого взгляда", благодаря простоте получения YOLOv5 репо и запустить его. Это было очень ценно для меня, потому что в то время я был не очень хорошо знаком с python , и YOLOv5's shallow learning curve was the deal breaker."

Стефано прибегал к обнаружению объектов в первую очередь для того, чтобы выявлять на снимках с дронов деревья, находящиеся в плохом состоянии либо из-за повреждений, вызванных абиотическими (засуха, ветер, снег), либо биотическими агентами (насекомые и грибки). С тех пор он и его коллеги разработали целое семейство детекторов YOLOv5 , начиная от детекторов выбоин и заканчивая детекторами краев дорог и вихрей.

"К тому времени, как я наткнулся на YOLOv5, я уже некоторое время безуспешно пытался обучить несколько детекторов объектов в TensorFlow Object Detection API. Затем я наткнулся на репо YOLOv5 и (без особой надежды) попытался обучить детектор и, к своему огромному удивлению, запустил процесс обучения с четырех строк кода. Не уверен, что это можно назвать мыслительным процессом или, скорее, удачей, но он начался".

Большинство моделей затем разворачиваются в облачном решении (ForestSens) для предоставления услуг лесному сектору. Там пользователи могут загружать, например, изображения с дронов, которые затем превращаются в полезные сведения благодаря нашему семейству моделей YOLOv5 . Некоторые из их обученных детекторов также размещаются на краю леса на лесозаготовительных машинах или лесовозах.

С самого начала Стефано и его команда разрабатывали целую серию моделей YOLOv5 , которые должны были помочь в:

1. Оценка качества древесины
2. Следи за потребностями в обслуживании лесных дорог
3. Обнаружение особенностей леса, имеющих отношение к биоразнообразию

Кроме того, они рассматривают возможность распространения своих беспилотных моделей для оценки состояния и инвентаризации лесов на данные аэро- и спутниковых снимков с более высоким разрешением.

Выпустив последние версии YOLOv5 , они с нетерпением ждут возможности классификации изображений и семантической сегментации, которые может предложить YOLOv5 . Эти возможности расширят их возможности по решению сложных задач компьютерного зрения в лесных условиях.

Простота настройки как для обучения моделей (docker-версия), так и для развертывания моделей сделала YOLOv5 отличным вариантом для них.

"Один из аспектов, который всегда восхищал меня в Ultralytics , - это довольно новая бизнес-модель, которая опирается на открытый код в своей основе и предлагает платные продукты для неспециалистов, чтобы получить доступ к силе глубокого обучения. Как ученый, я очень ценю открытость Ultralytics, и мне кажется, что это отличный способ ускорить развитие продукта. В результате на YOLOv5 происходят довольно серьезные обновления, которые постоянно эволюционируют благодаря вкладу многих ученых и практиков в области данных."

Что бы ты порекомендовал новичкам в искусственном интеллекте?

Посещая международные конференции в течение прошлого года, я обнаружил, что исследователи лесного хозяйства либо напуганы сложностью глубокого обучения, либо не думают, что оно может сыграть какую-то роль в их исследованиях. Во всех этих случаях я предлагал взять полдня аннотаций и попробовать обучить YOLOv5 , чтобы понять его мощь и простоту.

Если выразить это фактическими словами, то я фактически сказал: "Твой метод не работает? Тогда YOLO его!"

Если ты хочешь всегда быть в курсе событий, связанных со Стефано Пулити и его работой, не стесняйся следить за его аккаунтом в Twitter.

У тебя есть собственный пример использования YOLOv5 ?

Отметьте в наших социальных сетях с помощью #YOLOvME свой собственный сценарий использования YOLOv5 , и мы прорекламируем вашу работу в ML-сообществе.