YOLOvME: Die digitale Revolution der Wälder

Stefano Puliti ist Forscher im Bereich der Fernerkundung von Wäldern am Norwegian Institute of Bioeconomy Research (NIBIO) in der Abteilung für die nationale Waldinventur. NIBIO ist mit etwa 700 Mitarbeitenden eines der größten Forschungsinstitute Norwegens. Das Institut leistet durch Forschung und Wissensgenerierung Beiträge zur Ernährungssicherheit, zur nachhaltigen Ressourcenbewirtschaftung, zu Innovationen und zur Wertschöpfung.

In seiner Forschung nutzt er Drohnen und andere Verfahren der nahbereichigen Fernerkundung, etwa mobiles Laserscanning, um fortgeschrittene Analysen zu erstellen, die zur Beantwortung moderner Informationsanforderungen erforderlich sind.

Ein großer Teil seiner Arbeit entstand im Rahmen des Projekts SmartForest, eines langfristigen Forschungsprogramms, das vom Norwegian Research Council gemeinsam mit den meisten Akteuren der Forstwirtschaft in Norwegen finanziert wird. Ziel von SmartForest ist es, die Effizienz des norwegischen Forstsektors zu verbessern, indem eine digitale Revolution ermöglicht wird, die Waldinformationen, Waldbau, Forstwirtschaft, Holzversorgung und den gesamten digitalen Informationsfluss in der Branche verändert.

Stefano arbeitete viele Jahre mit traditionelleren Anwendungen des maschinellen Lernens, etwa Random Forests oder Support Vector Machines. Vor etwa drei Jahren erkannte er, dass es an der Zeit war, im Bereich Deep Learning einen Schritt weiterzugehen, der sich im Forstsektor noch in der Wachstumsphase befindet. Seit er die enormen Vorteile erkannt hat, die Forschende aus Deep Learning ziehen können, entwickelt Stefano mehrere Anwendungen im Bereich der drohnen- und maschinenbasierten Bildverarbeitung.

Wie lange verwendest du schon YOLOv5?#

"Ich verwende es seit dem Sommer 2021 und habe seitdem nicht mehr darauf verzichtet! Ich muss sagen, dass es dank der einfachen Einrichtung des YOLOv5 Repos eine Liebe auf den ersten Blick war. Das war für mich äußerst wertvoll, weil ich damals mit Python noch nicht sehr vertraut war und die flache Lernkurve von YOLOv5 den Ausschlag gab."

Stefano setzte Objekterkennung zunächst hauptsächlich ein, um in Drohnenbildern Bäume mit schlechtem Gesundheitszustand zu identifizieren, der entweder durch Schäden infolge abiotischer (Dürre, Wind, Schnee) oder biotischer Einflüsse (Insekten und Pilze) verursacht wurde. Seitdem entwickeln er und seine Kollegen eine ganze Familie von YOLOv5-Detektoren – von Schlaglöchern über den Straßenrand bis hin zu Detektoren für Astquirle.

"Als ich auf YOLOv5 stieß, hatte ich bereits einige Zeit erfolglos versucht, Objektdetektoren mit der TensorFlow Object Detection API zu trainieren. Dann stieß ich auf das YOLOv5-Repo und versuchte (ohne große Hoffnung), einen Detektor zu trainieren. Zu meiner großen Überraschung begann ich den Lernprozess mit vier Codezeilen. Ich bin mir nicht sicher, ob man das als Denkprozess oder eher als glücklichen Zufall bezeichnen kann, aber es hatte begonnen."

Die meisten Modelle werden anschließend auf ihrer Cloud-Lösung (ForestSens) bereitgestellt, um Dienste für den Forstsektor anzubieten. Dort können Nutzer beispielsweise Drohnenbilder hochladen, die dank unserer YOLOv5-Modellfamilie in verwertbare Erkenntnisse umgewandelt werden. Einige der trainierten Detektoren werden außerdem direkt auf Forstmaschinen oder Holztransportfahrzeugen eingesetzt.

Seit Beginn entwickeln Stefano und sein Team eine ganze Reihe von YOLOv5-Modellen, die sie für folgende Aufgaben einsetzen:

1. Holzqualität bewerten
2. Bedarf an der Instandhaltung von Forststraßen überwachen
3. Biodiversitätsrelevante Merkmale im Wald erkennen

Darüber hinaus prüfen sie, wie sich ihre drohnenbasierten Modelle zur Bewertung der Waldgesundheit und für Waldinventuren auf Luft- und Satellitenbilddaten mit gröberer Auflösung erweitern lassen.

Mit den neuesten YOLOv5-Versionen freuen sie sich besonders auf die Bildklassifizierung und die semantische Segmentierung, die YOLOv5 möglicherweise bieten wird. Diese Fähigkeiten werden ihre Möglichkeiten erweitern, komplexe Computer-Vision-Aufgaben in bewaldeten Umgebungen zu lösen.

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

“Einer der Aspekte, die mich an Ultralytics schon immer fasziniert haben, ist das noch recht neue Geschäftsmodell, das im Kern auf offenem Code beruht und kostenpflichtige Produkte anbietet, mit denen auch Nichtfachleute auf die Leistungsfähigkeit von Deep Learning zugreifen können. Als Wissenschaftler schätze ich die Offenheit von Ultralytics sehr und finde, dass dies eine großartige Möglichkeit ist, die Produktentwicklung zu beschleunigen. Dadurch erfährt YOLOv5 dank der Beiträge vieler Data Scientists und Praktikerinnen und Praktiker ziemlich drastische Verbesserungen und entwickelt sich kontinuierlich weiter.”

Was würdest du jemandem empfehlen, der neu im Bereich KI ist?#

Als ich im vergangenen Jahr internationale Konferenzen besuchte, stellte ich fest, dass Forschende aus der Forstwirtschaft entweder von der Komplexität des Deep Learning abgeschreckt sind oder nicht glauben, dass es in ihrer Forschung eine Rolle spielen kann. In all diesen Fällen schlug ich vor, einen halben Tag für Annotationen einzuplanen und YOLOv5 zu trainieren, um seine Leistungsfähigkeit und Einfachheit zu verstehen.

Um es mit den Worten zu sagen, die ich tatsächlich verwendet habe: „Deine Methode funktioniert nicht? Dann YOLO los!“

Wenn du über Stefano Puliti und seine Arbeit auf dem Laufenden bleiben möchtest, kannst du gerne sein NIBIO-Profil besuchen.

Dein eigener YOLOv5-Anwendungsfall?#

Markiere uns in den sozialen Medien mit #YOLOvME und deinem eigenen YOLOv5-Anwendungsfall, und wir stellen deine Arbeit der ML-Community vor.