YOLOvME: Die digitale Revolution der Wälder
Erkunde Stefano Pulitis transformative Waldforschung unter Nutzung von YOLOv5 für drohnengestützte Erkennung und Analytik in der Forstwirtschaft.
Stefano Puliti ist Forscher im Bereich der Fernerkundung von Wäldern am Norwegian Institute of Bioeconomy Research (NIBIO) in der nationalen Waldinventurabteilung. NIBIO ist eines der größten Forschungsinstitute in Norwegen mit etwa 700 Mitarbeitern. Sie tragen durch Forschung und Wissensproduktion zur Ernährungs- und Lebensmittelsicherheit, einer nachhaltigen Ressourcenverwaltung, Innovation und Wertschöpfung bei.
In seiner Forschung werden Drohnen und andere proximale Sensortechniken wie mobiles Laserscanning eingesetzt, um fortschrittliche Analysen zu erstellen, die zur Beantwortung moderner Informationsbedürfnisse erforderlich sind.
Ein Großteil seiner bisherigen Arbeit wurde im Rahmen des Projekts SmartForest durchgeführt, einem langfristigen Forschungsprogramm, das vom Norwegischen Forschungsrat zusammen mit den meisten Akteuren der Forstindustrie in Norwegen finanziert wird. Das Ziel von SmartForest ist es, die Effizienz des norwegischen Forstsektors zu steigern, indem eine digitale Revolution ermöglicht wird, die Waldinformationen, den Waldbau, Forstbetriebe, die Holzversorgung und den gesamten digitalen Informationsfluss in der Branche transformiert.
Stefano hat viele Jahre mit eher traditionellen Machine-Learning-Anwendungen wie Random Forest oder Support Vector Machines gearbeitet. Vor etwa drei Jahren erkannte er, dass es an der Zeit war, im Bereich Deep Learning einen Schritt weiterzugehen, der für den Forstsektor noch in den Kinderschuhen steckt. Seit er die enormen Vorteile erkannt hat, die Forscher aus dem Deep Learning ziehen können, hat Stefano mehrere Anwendungen im Bereich der Drohnen- und maschinellen Bildverarbeitung entwickelt.
Wie lange nutzt du schon YOLOv5?#
„Ich nutze es seit Sommer 2021 und bin seither dabei geblieben! Ich muss sagen, es war Liebe auf den ersten Blick, dank der Leichtigkeit, mit der das YOLOv5 -Repo eingerichtet und einsatzbereit gemacht werden konnte. Das war für mich extrem wertvoll, da ich zu dieser Zeit noch nicht sehr vertraut mit python war und die flache Lernkurve von YOLOv5 den Ausschlag gab.“
Stefano griff vor allem deshalb auf Objekterkennung zurück, um in Drohnenbildern Bäume in schlechtem Gesundheitszustand zu identifizieren, sei es aufgrund von Schäden durch abiotische (Dürre, Wind, Schnee) oder biotische Faktoren (Insekten und Pilze). Seitdem haben er und seine Kollegen eine ganze Familie von YOLOv5-Detektoren entwickelt, von Schlagloch- bis hin zu Straßenrand- und Wirteldetektoren.
"Als ich auf YOLOv5 stieß, hatte ich einige Zeit lang erfolglos versucht, einige Objektdetektoren in der TensorFlow Object Detection API zu trainieren. Dann bin ich auf das YOLOv5 Repo gestoßen und habe (ohne große Hoffnung) versucht, einen Detektor zu trainieren, und zu meiner großen Überraschung begann ich den Lernprozess mit vier Zeilen Code. Ich bin mir nicht sicher, ob man es als Denkprozess oder eher als Glücksgriff bezeichnen kann, aber es fing an."
Die meisten Modelle werden dann auf ihrer Cloud-Lösung (ForestSens) bereitgestellt, um Dienstleistungen für den Forstsektor zu erbringen. Dort können Nutzer zum Beispiel Drohnenbilder hochladen, die dank unserer YOLOv5-Modellfamilie in umsetzbare Erkenntnisse umgewandelt werden. Einige ihrer trainierten Detektoren werden auch direkt auf forstwirtschaftlichen Maschinen oder auf Holztransportern (Edge) eingesetzt.
Von Anfang an haben Stefano und sein Team eine ganze Reihe von YOLOv5-Modellen entwickelt, die bei Folgendem helfen sollen:
- Bewertung der Holzqualität
- Überwachung des Bedarfs an Instandhaltung von Forstwegen
- Erkennung von biodiversitätsrelevanten Merkmalen im Wald
Darüber hinaus prüfen sie auch die Erweiterung ihrer drohnenbasierten Modelle für Waldgesundheit und Inventur auf grob auflösendere Luft- und Satellitenbilddaten.
Mit den neuesten YOLOv5-Releases freuen sie sich sehr auf die Bildklassifizierung und semantische Segmentierung, die YOLOv5 bieten kann. Diese Funktionen erweitern ihre Möglichkeiten, komplexe Computer-Vision-Aufgaben in bewaldeten Umgebungen zu lösen.
Die einfache Einrichtung sowohl für das Training der Modelle (Docker-Version) als auch für die Modellbereitstellung machte YOLOv5 zu einer großartigen Option für sie.
“Einer der Aspekte, der mich bei Ultralytics immer fasziniert hat, ist das recht neue Geschäftsmodell, das im Kern auf offenem Code basiert und Nicht-Spezialisten Bezahlprodukte anbietet, um die Kraft von Deep Learning zu nutzen. Als Wissenschaftler schätze ich die Offenheit von Ultralytics sehr und finde, dass es eine großartige Möglichkeit ist, die Produktentwicklung zu beschleunigen. Infolgedessen sieht YOLOv5 dank des Beitrags vieler Datenwissenschaftler und Praktiker drastische Upgrades in ständiger Evolution.”
Was würdest du jemandem empfehlen, der neu in der KI ist?#
Wenn ich im vergangenen Jahr auf internationalen Konferenzen war, habe ich festgestellt, dass Forstforscher entweder von der Komplexität des Deep Learning abgeschreckt sind oder nicht glauben, dass es eine Rolle in ihrer Forschung spielen kann. In all diesen Fällen habe ich vorgeschlagen, einen halben Tag für die Annotation aufzuwenden und zu versuchen, ein YOLOv5 zu trainieren, um dessen Kraft und Einfachheit zu verstehen.
Um es in echte Worte zu fassen: „Deine Methode funktioniert nicht? Dann YOLO es!“
Wenn du über Stefano Puliti und seine Arbeit auf dem Laufenden bleiben möchtest, besuche gerne sein NIBIO-Profil.
Hast du deinen eigenen Anwendungsfall für YOLOv5?#
Markiere uns mit #YOLOvME in deinen sozialen Medien mit deinem eigenen YOLOv5-Anwendungsfall und wir werden deine Arbeit in der ML-Community bewerben.
