YOLOvME: Ormanların Dijital Devrimi

Stefano Puliti, Norveç Biyoekonomi Araştırma Enstitüsü'nde (NIBIO) ulusal orman envanteri departmanında orman uzaktan algılama alanında araştırmacı olarak görev yapmaktadır. NIBIO, yaklaşık 700 çalışanıyla Norveç'in en büyük araştırma enstitülerinden biridir. Araştırma ve bilgi üretimi yoluyla gıda güvenliği ve emniyetine, sürdürülebilir kaynak yönetimine, inovasyona ve değer yaratmaya katkıda bulunmaktadır.

Araştırmalarında, dronlar ve mobil lazer tarama gibi diğer yakın algılama teknikleri, modern bilgi ihtiyaçlarına cevap vermek için gereken gelişmiş analitikleri üretmek için kullanılıyor.

Yaptığı çalışmaların çoğu, Norveç'teki orman endüstrisi aktörlerinin çoğuyla birlikte Norveç Araştırma Konseyi tarafından finanse edilen uzun vadeli bir araştırma programı olan SmartForest projesi ile yapıldı. SmartForest'in amacı, orman bilgilerini, silvikültürü, orman operasyonlarını, odun tedarikini ve sektördeki genel dijital bilgi akışını dönüştüren dijital bir devrim sağlayarak Norveç orman sektörünün verimliliğini artırmaktır.

Stefano uzun yıllar boyunca rastgele orman veya destek vektör makineleri gibi daha geleneksel makine öğrenimi uygulamaları ile çalıştı. Yaklaşık üç yıl önce, orman sektörü için hala büyüme aşamasında olan derin öğrenme alanında oyunu hızlandırmanın zamanının geldiğini fark etti. Stefano, araştırmacıların derin öğrenmeden elde edebileceği muazzam faydaların farkına vardığından beri drone ve makine tabanlı görüş alanında çeşitli uygulamalar geliştiriyor.

Ne kadar zamandır YOLOv5 kullanıyorsunuz?

"2021 yazından beri kullanıyorum ve o zamandan beri terk etmedim! Şunu söylemeliyim ki, "ilk görüş" türünden bir aşktı, çünkü YOLOv5 repo hazır ve çalışır durumda. Bu benim için son derece değerliydi çünkü o zamanlar python 'a çok aşina değildim ve YOLOv5'un sığ öğrenme eğrisi anlaşmayı bozan şeydi."

Stefano, öncelikle drone görüntülerinde abiyotik (kuraklık, rüzgar, kar) veya biyotik ajanların (böcekler ve mantarlar) neden olduğu hasar nedeniyle sağlık durumu kötü olan ağaçları tespit etmek için nesne tespitine başvurmuştu. O zamandan beri, o ve meslektaşları çukurlardan yol kenarına ve kıvrım dedektörlerine kadar tüm YOLOv5 dedektör ailesini geliştirmektedir.

" YOLOv5 adresine rastladığımda, bir süredir TensorFlow Object Detection API'de bazı nesne algılayıcıları eğitmeyi başarısızlıkla denemiştim. Sonra YOLOv5 reposuna rastladım ve (fazla umutlanmadan) bir dedektörü eğitmeyi denedim ve büyük bir şaşkınlıkla öğrenme sürecini dört satır kodla başlattım. Bunu bir düşünce süreci ya da daha ziyade bir şans olarak tanımlayabileceğimizden emin değilim ama başladı."

Modellerin çoğu daha sonra orman sektörüne hizmet sunmak için bulut çözümlerinde (ForestSens) kullanılmaktadır. Burada kullanıcılar örneğin drone görüntüleri yükleyebilmekte ve bu görüntüler YOLOv5 model ailemiz sayesinde eyleme geçirilebilir içgörülere dönüştürülmektedir. Eğitimli dedektörlerinden bazıları da ormancılık makinelerinde veya tomruk kamyonlarında uçta konuşlandırılıyor.

Stefano ve ekibi, başlangıçtan bu yana, yardımcı olmak amacıyla kullanılmak üzere bir dizi YOLOv5 modeli geliştiriyordu:

1. Kereste kalitesinin değerlendirilmesi
2. Orman yolu bakımı için ihtiyaçların izlenmesi
3. Ormanda biyoçeşitlilikle ilgili özelliklerin tespit edilmesi

Ayrıca, orman sağlığı ve envanteri için drone tabanlı modellerini daha kaba çözünürlüklü hava ve uydu görüntü verilerine genişletmeyi de araştırıyorlar.

En son YOLOv5 sürümleriyle birlikte, YOLOv5 'un sunabileceği görüntü sınıflandırma ve semantik segmentasyonu dört gözle bekliyorlar. Bu yetenekler, ormanlık ortamlardaki karmaşık bilgisayarla görme görevlerini çözme yeteneklerini artıracaktır.

Hem modellerin eğitimi (docker sürümü) hem de model dağıtımı için kurulum kolaylığı YOLOv5 'u onlar için harika bir seçenek haline getirdi.

" Ultralytics 'un beni her zaman büyüleyen yönlerinden biri, özünde açık koda dayanan ve uzman olmayanların derin öğrenmenin gücüne erişmesi için ücretli ürünler sunan oldukça yeni iş modelidir. Bir bilim insanı olarak Ultralytics'un açıklığını çok takdir ediyorum ve bunun ürünün gelişimini hızlandırmak için harika bir yol olduğunu düşünüyorum. Sonuç olarak, YOLOv5 birçok veri bilimci ve uygulayıcının katkısı sayesinde sürekli evrim geçirerek oldukça ciddi güncellemeler görüyor."

Yapay zekaya yeni başlayan birine ne tavsiye etmek istersiniz?

Geçtiğimiz yıl uluslararası konferanslara katıldığımda, ormancılık araştırmacılarının ya derin öğrenmenin karmaşıklığından korktuklarını ya da araştırmalarında bir rol oynayabileceğini düşünmediklerini gördüm. Tüm bu durumlarda, derin öğrenmenin gücünü ve basitliğini anlamak için yarım günlük bir ek açıklama almayı ve bir YOLOv5 eğitmeyi denemeyi önerdim.

Gerçek kelimelerle ifade etmek gerekirse aslında şunu söylüyordum: "Yönteminiz işe yaramıyor mu? O zaman YOLO !"

Stefano Puliti ve çalışmalarından haberdar olmak isterseniz, Twitter hesabını takip etmekten çekinmeyin.

Kendi YOLOv5 Kullanım Örneğiniz Var mı?

Kendi YOLOv5 kullanım örneğinizle sosyal medyamızda bizi #YOLOvME ile etiketleyin, biz de çalışmanızı ML topluluğuna tanıtalım.