Khám phá nghiên cứu rừng biến đổi của Stefano Puliti bằng cách sử dụng YOLOv5 để phát hiện và phân tích dựa trên máy bay không người lái trong lâm nghiệp.
Stefano Puliti là một nhà nghiên cứu về viễn thám rừng tại Viện Nghiên cứu Kinh tế Sinh học Na Uy (NIBIO) thuộc bộ phận kiểm kê rừng quốc gia. NIBIO là một trong những viện nghiên cứu lớn nhất ở Na Uy với khoảng 700 nhân viên. Họ đóng góp vào an ninh và an toàn thực phẩm, quản lý tài nguyên bền vững, đổi mới và tạo ra giá trị thông qua nghiên cứu và sản xuất tri thức.
Trong nghiên cứu của ông, máy bay không người lái và các kỹ thuật cảm biến gần khác như quét laser di động được sử dụng để tạo ra các phân tích tiên tiến cần thiết để đáp ứng nhu cầu thông tin hiện đại.
Phần lớn công việc ông đã làm được thực hiện với dự án SmartForest , một chương trình nghiên cứu dài hạn được tài trợ bởi Hội đồng Nghiên cứu Na Uy cùng với hầu hết các tác nhân trong ngành lâm nghiệp ở Na Uy. Mục tiêu của SmartForest là nâng cao hiệu quả của ngành lâm nghiệp Na Uy bằng cách cho phép một cuộc cách mạng kỹ thuật số chuyển đổi thông tin rừng, silviculture, hoạt động rừng, cung cấp gỗ và luồng thông tin kỹ thuật số tổng thể trong ngành.
Stefano đã làm việc trong nhiều năm với các ứng dụng học máy truyền thống hơn như rừng ngẫu nhiên hoặc máy vectơ hỗ trợ. Khoảng ba năm trước, anh nhận ra rằng đã đến lúc đẩy mạnh cuộc chơi trong lĩnh vực học sâu, vẫn đang trong giai đoạn phát triển cho ngành lâm nghiệp. Kể từ khi nhận ra những lợi ích to lớn mà các nhà nghiên cứu có thể rút ra từ học sâu, Stefano đã phát triển một số ứng dụng trong lĩnh vực máy bay không người lái và tầm nhìn dựa trên máy.
"Tôi đã sử dụng nó từ mùa hè năm 2021 và không từ bỏ nó kể từ đó! Tôi phải nói rằng, đó là một kiểu tình yêu "từ cái nhìn đầu tiên" nhờ sự dễ dàng có được YOLOv5 repo lên và chạy. Điều này vô cùng quý giá đối với tôi vì vào thời điểm đó tôi không quen thuộc lắm python và YOLOv5Đường cong học tập nông cạn của họ là yếu tố phá vỡ thỏa thuận."
Stefano đã dùng đến việc phát hiện đối tượng chủ yếu để xác định trong hình ảnh máy bay không người lái cây trong tình trạng sức khỏe kém do thiệt hại do phi sinh học (hạn hán, gió, tuyết) hoặc các tác nhân sinh học (côn trùng và nấm). Kể từ đó, anh và các đồng nghiệp đã phát triển cả một gia đình YOLOv5 máy dò, từ ổ gà đến mép đường và máy dò whorl.
"Vào thời điểm tôi tình cờ gặp YOLOv5, Tôi đã không thành công khi cố gắng đào tạo một số máy dò đối tượng trong TensorFlow API phát hiện đối tượng trong một thời gian. Sau đó, tôi chạy vào YOLOv5 repo và (không có nhiều hy vọng) đã cố gắng đào tạo một máy dò và với sự ngạc nhiên lớn, tôi bắt đầu quá trình học tập với bốn dòng mã. Tôi không chắc người ta có thể định nghĩa nó là một quá trình suy nghĩ hay đúng hơn là một cuộc tấn công may mắn nhưng nó đã bắt đầu.
Hầu hết các mô hình sau đó được triển khai trên giải pháp đám mây của họ (ForestSens) để cung cấp dịch vụ cho ngành lâm nghiệp. Ở đó, người dùng có thể tải lên ví dụ hình ảnh máy bay không người lái, sau đó được chuyển thành thông tin chi tiết có thể hành động nhờ YOLOv5 gia đình người mẫu. Một số máy dò được đào tạo của họ cũng được triển khai ở rìa trên máy lâm nghiệp hoặc trên xe tải khai thác gỗ.
Ngay từ đầu, Stefano và nhóm của ông đã phát triển một loạt các YOLOv5 Các mô hình được sử dụng để trợ giúp:
Hơn nữa, họ cũng đang xem xét mở rộng các mô hình dựa trên máy bay không người lái của họ cho sức khỏe và hàng tồn kho rừng sang dữ liệu hình ảnh trên không và vệ tinh có độ phân giải thô hơn.
Với Đặt YOLOv5 phát hành, họ rất mong chờ phân loại hình ảnh và phân đoạn ngữ nghĩa mà YOLOv5 có thể cung cấp. Những khả năng này sẽ mở rộng khả năng giải quyết các nhiệm vụ thị giác máy tính phức tạp trong môi trường rừng.
Sự dễ dàng thiết lập cả để đào tạo các mô hình (phiên bản docker), cũng như cho việc triển khai mô hình được thực hiện YOLOv5 Một lựa chọn tuyệt vời cho họ.
"Một trong những khía cạnh luôn cuốn hút tôi Ultralytics là mô hình kinh doanh khá mới dựa trên mã mở ở cốt lõi của nó và cung cấp các sản phẩm trả tiền cho những người không chuyên để truy cập vào sức mạnh của học sâu. Là một nhà khoa học, tôi đánh giá rất cao UltralyticsSự cởi mở và tôi thấy rằng đó là một cách tuyệt vời để đẩy nhanh sự phát triển của sản phẩm. Kết quả là, YOLOv5 đang chứng kiến sự nâng cấp khá mạnh mẽ trong quá trình phát triển liên tục nhờ sự đóng góp của nhiều nhà khoa học và học viên dữ liệu.
Khi đi đến các hội nghị quốc tế trong năm qua, tôi thấy rằng các nhà nghiên cứu lâm nghiệp hoặc sợ hãi bởi sự phức tạp của học sâu hoặc không nghĩ rằng nó có thể đóng một vai trò trong nghiên cứu của họ. Trong tất cả các trường hợp này, tôi đề nghị dành nửa ngày chú thích và cố gắng đào tạo một YOLOv5 để hiểu sức mạnh và sự đơn giản của nó.
Nói một cách thực tế, tôi thực sự đang nói: "Phương pháp của bạn không hiệu quả? Sau đó YOLO nó!"
Nếu bạn muốn cập nhật về Stefano Puliti và công việc của anh ấy, vui lòng theo dõi tài khoản Twitter của anh ấy.
Gắn thẻ chúng tôi với #YOLOvME trên phương tiện truyền thông xã hội của chúng tôi với chính của bạn YOLOv5 trường hợp sử dụng và chúng tôi sẽ quảng bá công việc của bạn đến cộng đồng ML.
Bắt đầu hành trình của bạn với tương lai của machine learning