YOLOvME: Die digitale Revolution der Wälder

Stefano Puliti ist Forscher auf dem Gebiet der Waldfernerkundung am Norwegischen Institut für Bioökonomieforschung (NIBIO) in der Abteilung für die nationale Waldinventur. Das NIBIO ist eines der größten Forschungsinstitute Norwegens mit rund 700 Mitarbeitern. Es trägt durch Forschung und Wissensproduktion zu Lebensmittelsicherheit, nachhaltigem Ressourcenmanagement, Innovation und Wertschöpfung bei.

In seiner Forschung werden Drohnen und andere Naherkundungstechniken wie mobiles Laserscanning eingesetzt, um fortschrittliche Analysen zu erstellen, die für den modernen Informationsbedarf erforderlich sind.

Ein Großteil seiner Arbeit wurde im Rahmen des SmartForest-Projekts geleistet, einem langfristigen Forschungsprogramm, das vom norwegischen Forschungsrat zusammen mit den meisten Akteuren der norwegischen Forstwirtschaft finanziert wird. Das Ziel von SmartForest ist es, die Effizienz des norwegischen Forstsektors zu verbessern, indem eine digitale Revolution ermöglicht wird, die Forstinformationen, Waldbau, Forstbetrieb, Holzversorgung und den gesamten digitalen Informationsfluss in der Branche verändert.

Stefano hat viele Jahre lang mit traditionelleren Anwendungen des maschinellen Lernens wie Random Forest oder Support Vector Machines gearbeitet. Vor etwa drei Jahren erkannte er, dass es an der Zeit war, sich auf dem Gebiet des Deep Learning zu engagieren, das sich im Forstsektor noch in der Wachstumsphase befindet. Seit er die enormen Vorteile erkannt hat, die Forscher aus Deep Learning ziehen können, hat Stefano mehrere Anwendungen im Bereich der Drohnen und des maschinellen Sehens entwickelt.

Wie lange benutzen Sie YOLOv5 schon?

"Ich benutze es seit Sommer 2021 und habe es seitdem nicht mehr aufgegeben! Ich muss sagen, dass es eine "Liebe auf den ersten Blick" war, weil es so einfach war, den YOLOv5 Repo zum Laufen zu bringen. Das war extrem wertvoll für mich, weil ich zu der Zeit nicht sehr vertraut mit Python war und die flache Lernkurve von YOLOv5 der Dealbreaker war."

Stefano nutzte die Objekterkennung in erster Linie, um auf Drohnenbildern Bäume zu erkennen, die sich aufgrund von Schäden durch abiotische (Trockenheit, Wind, Schnee) oder biotische Faktoren (Insekten und Pilze) in einem schlechten Gesundheitszustand befinden. Seitdem haben er und seine Kollegen eine ganze Familie von YOLOv5-Detektoren entwickelt, die von Schlaglöchern bis hin zu Straßenrand- und Wirbel-Detektoren reichen.

"Als ich über YOLOv5 stolperte, hatte ich schon seit einiger Zeit erfolglos versucht, einige Objektdetektoren in der TensorFlow Object Detection API zu trainieren. Dann bin ich auf das YOLOv5 Repo gestoßen und habe (ohne viel Hoffnung) versucht, einen Detektor zu trainieren und zu meiner großen Überraschung habe ich den Lernprozess mit vier Zeilen Code gestartet. Ich bin mir nicht sicher, ob man das als Denkprozess oder eher als Glückstreffer bezeichnen kann, aber es hat angefangen."

Die meisten Modelle werden dann in ihrer Cloud-Lösung (ForestSens) eingesetzt, um Dienste für den Forstsektor bereitzustellen. Dort können die Nutzer zum Beispiel Drohnenbilder hochladen, die dann dank unserer YOLOv5-Modellfamilie in verwertbare Erkenntnisse umgewandelt werden. Einige der geschulten Detektoren werden auch vor Ort auf Forstmaschinen oder Holzfällerfahrzeugen eingesetzt.

Von Anfang an hatten Stefano und sein Team eine ganze Reihe von YOLOv5-Modellen entwickelt, die als Hilfsmittel eingesetzt werden sollten:

1. Bewertung der Holzqualität
2. Überwachung des Bedarfs für die Instandhaltung von Forststraßen
3. Erkennen von biodiversitätsrelevanten Merkmalen im Wald

Darüber hinaus prüfen sie die Ausweitung ihrer drohnengestützten Modelle für Waldgesundheit und -inventur auf Luft- und Satellitenbilddaten mit gröberer Auflösung.

Mit den neuesten YOLOv5-Versionen sind sie sehr gespannt auf die Bildklassifizierung und semantische Segmentierung, die YOLOv5 bieten kann. Diese Fähigkeiten werden ihre Möglichkeiten zur Lösung komplexer Computer-Vision-Aufgaben in bewaldeten Umgebungen erweitern.

Die einfache Einrichtung sowohl für das Training der Modelle (Docker-Version) als auch für die Bereitstellung der Modelle machte YOLOv5 zu einer großartigen Option für sie.

"Einer der Aspekte, die mich an Ultralytics schon immer fasziniert haben, ist das recht neue Geschäftsmodell, das im Kern auf offenem Code beruht und kostenpflichtige Produkte für Nichtfachleute anbietet, um die Leistung des Deep Learning zu nutzen. Als Wissenschaftler schätze ich die Offenheit von Ultralytics sehr, und ich finde, dass sie eine großartige Möglichkeit ist, die Entwicklung des Produkts zu beschleunigen. Infolgedessen erfährt YOLOv5 dank des Beitrags vieler Datenwissenschaftler und Praktiker ziemlich drastische Upgrades in ständiger Weiterentwicklung."

Was würden Sie jemandem empfehlen, der neu bei AI ist?

Bei meinen Besuchen auf internationalen Konferenzen im vergangenen Jahr habe ich festgestellt, dass Forstwissenschaftler entweder vor der Komplexität des Deep Learning zurückschrecken oder nicht glauben, dass es in ihrer Forschung eine Rolle spielen kann. In all diesen Fällen schlug ich vor, einen halben Tag lang Annotationen zu machen und zu versuchen, YOLOv5 zu trainieren, um seine Leistungsfähigkeit und Einfachheit zu verstehen.

Um es in konkrete Worte zu fassen, habe ich eigentlich gesagt: "Deine Methode funktioniert nicht? Dann YOLO es!"

Wenn Sie über Stefano Puliti und seine Arbeit auf dem Laufenden bleiben möchten, können Sie seinem Twitter-Konto folgen.

Haben Sie einen eigenen YOLOv5 Anwendungsfall?

Markieren Sie uns mit #YOLOvME auf unseren sozialen Medien mit Ihrem ganz persönlichen YOLOv5-Anwendungsfall und wir werden Ihre Arbeit in der ML-Community bekannt machen.