YOLOvME：森林的数字革命

斯特凡诺-普利蒂是挪威生物经济研究所（NIBIO）国家森林资源清查部门的森林遥感研究员。NIBIO是挪威最大的研究机构之一，拥有约700名员工。他们通过研究和知识生产，为食品安全和保障、可持续资源管理、创新和价值创造做出了贡献。

在他的研究中，无人机和其他近距离传感技术（如移动激光扫描）被用于生成满足现代信息需求所需的高级分析结果。

他所做的大部分工作都是与SmartForest项目一起完成的，该项目是一项长期研究计划，由挪威研究理事会与挪威大多数林业参与者共同资助。SmartForest项目的目标是通过对森林信息、造林、森林经营、木材供应以及整个行业的数字信息流进行数字革命，提高挪威林业部门的效率。

Stefano 多年来一直从事随机森林或支持向量机等传统机器学习应用领域的工作。大约三年前，他意识到是时候在深度学习领域大展身手了，因为在森林领域，深度学习仍处于成长阶段。自从意识到研究人员可以从深度学习中获得巨大收益后，Stefano 一直在开发无人机和机器视觉领域的多个应用。

您使用YOLOv5 多长时间了？

"我从 2021 年夏天开始使用它，至今没有放弃过！我不得不说，这是一种 "一见钟情 "式的爱，这要归功于轻松就能让 YOLOv5这对我来说非常有价值，因为当时我还不知道该如何使用它。这对我来说非常宝贵，因为当时我对python 还不是很熟悉，而YOLOv5的学习曲线较浅，这是我的致命伤。"

Stefano 采用物体检测技术，主要是为了在无人机图像中识别由于非生物因素（干旱、风、雪）或生物因素（昆虫和真菌）的破坏而健康状况欠佳的树木。从那时起，他和他的同事们就开始开发一整套YOLOv5 探测器，从坑洞到道路边缘和轮廓探测器。

"当我偶然发现YOLOv5 时，我已经在TensorFlow Object Detection API 中尝试训练了一段时间的对象检测器，但都没有成功。然后，我进入YOLOv5 软件仓库，并（在不抱太大希望的情况下）尝试训练一个检测器，结果让我大吃一惊，我只用了四行代码就开始了学习过程。我不确定能否将其定义为一个思考过程，或者说是一个幸运的打击，但它开始了"。

大多数模型都部署在他们的云解决方案（ForestSens）上，为林业部门提供服务。在那里，用户可以上传无人机图像，然后通过我们的YOLOv5 系列模型将这些图像转化为可操作的见解。他们的一些训练有素的探测器还部署在林业机械或伐木卡车的边缘。

从一开始，Stefano 和他的团队就一直在开发一整套YOLOv5 模型，以用于帮助研究：

1. 评估木材质量
2. 监测森林道路维护需求
3. 检测森林中与生物多样性相关的特征

此外，他们还在研究将基于无人机的森林健康和清查模型扩展到分辨率更高的航空和卫星图像数据。

通过最新的YOLOv5 版本，他们非常期待YOLOv5 可能提供的图像分类和语义分割功能。这些功能将扩展他们解决森林环境中复杂计算机视觉任务的能力。

无论是训练模型（docker 版本）还是部署模型，YOLOv5 都非常易于设置，是他们的最佳选择。

"Ultralytics 一直吸引我的一个方面是其相当新颖的商业模式，即以开放代码为核心，为非专业人士提供付费产品，让他们能够获得深度学习的力量。作为一名科学家，我非常欣赏Ultralytics的开放性，我发现这是加速产品开发的好方法。因此，得益于众多数据科学家和从业人员的贡献，YOLOv5 在不断发展中迎来了相当大的升级。"

您想向人工智能新手推荐什么？

在过去一年参加国际会议时，我发现林业研究人员要么被深度学习的复杂性吓到，要么认为深度学习无法在他们的研究中发挥作用。在所有这些情况下，我都建议用半天时间进行标注，并尝试训练一个YOLOv5 ，以了解其强大和简单之处。

用实际的话说，我其实是在说"你的方法行不通？那就YOLO 吧！"

如果您想了解 Stefano Puliti 及其作品的最新动态，请随时关注他的 Twitter 账户。

您有自己的YOLOv5 使用案例吗？

在我们的社交媒体上用 #YOLOvME 标记我们，并附上您自己的YOLOv5 用例，我们将向 ML 社区推广您的作品。