YOLOvME: Die digitale Revolution der Wälder

Stefano Puliti ist Forscher im Bereich Fernerkundung von Wäldern am Norwegian Institute of Bioeconomy Research (NIBIO) in der Abteilung für nationale Waldinventur. NIBIO ist eines der größten Forschungsinstitute in Norwegen mit rund 700 Mitarbeitern. Sie tragen durch Forschung und Wissensproduktion zu Ernährungssicherheit und -sicherheit, nachhaltiger Ressourcenbewirtschaftung, Innovation und Wertschöpfung bei.

In seiner Forschung werden Drohnen und andere Techniken der Fernerkundung, wie z. B. mobiles Laserscanning, eingesetzt, um fortschrittliche Analysen zu erstellen, die zur Beantwortung moderner Informationsbedürfnisse erforderlich sind.

Ein Großteil seiner 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. Ziel von SmartForest ist es, die Effizienz des norwegischen Forstsektors zu verbessern, indem eine digitale Revolution ermöglicht wird, die Forstinformationen, Waldbau, Forstbetriebe, Holzversorgung und den gesamten digitalen Informationsfluss in der Industrie verändert.

Stefano arbeitete viele Jahre mit traditionelleren Anwendungen des maschinellen Lernens wie Random Forest oder Support Vector Machines. Vor etwa drei Jahren erkannte er, dass es an der Zeit war, im Bereich Deep Learning, der sich im Forstsektor noch in der Entwicklungsphase befindet, einen Schritt nach vorne zu machen. Seit Stefano die enormen Vorteile erkannt hat, die Forscher aus Deep Learning ziehen können, entwickelt er mehrere Anwendungen im Bereich der drohnen- und maschinengestützten Bildverarbeitung.

Wie lange verwenden Sie YOLOv5 schon?

"Ich benutze es seit Sommer 2021 und habe es seitdem nicht mehr aufgegeben! Ich muss sagen, es war eine Liebe auf den ersten Blick, dank der einfachen Inbetriebnahme des YOLOv5 Repo. Das war für mich extrem wertvoll, weil ich zu diesem Zeitpunkt mit Python noch nicht sehr vertraut war und die flache Lernkurve von YOLOv5 der ausschlaggebende Punkt war."

Stefano griff hauptsächlich auf Objekterkennung zurück, um anhand von Drohnenbildern Bäume mit schlechtem Gesundheitszustand zu identifizieren, entweder aufgrund von Schäden durch abiotische (Dürre, Wind, Schnee) oder biotische Einflüsse (Insekten und Pilze). Seitdem haben er und seine Kollegen eine ganze Familie von YOLOv5-Detektoren entwickelt, von Schlaglöchern über Straßenränder bis hin zu Quirl-Detektoren.

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

Die meisten Modelle werden dann in ihrer Cloud-Lösung (ForestSens) eingesetzt, um Dienstleistungen für den Forstsektor zu erbringen. Dort können Benutzer beispielsweise Drohnenbilder hochladen, die dann dank unserer YOLOv5-Modellfamilie in verwertbare Erkenntnisse umgewandelt werden. Einige ihrer trainierten Detektoren werden auch am Edge auf Forstmaschinen oder auf Holztransportern eingesetzt.

Seit Beginn hatte Stefano mit seinem Team eine ganze Reihe von YOLOv5-Modellen entwickelt, die zur Unterstützung folgender Bereiche eingesetzt werden sollten:

1. Beurteilung der Holzqualität
2. Überwachung des Bedarfs für die Instandhaltung von Waldwegen
3. Erkennung von Merkmalen im Wald, die für die biologische Vielfalt relevant sind

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

Mit den neuesten YOLOv5-Releases freuen sie sich sehr auf die Bildklassifizierung und semantische Segmentierung, die YOLOv5 möglicherweise bieten wird. 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 Modellbereitstellung machte YOLOv5 zu einer ausgezeichneten Option für sie.

“Einer der Aspekte, der mich an Ultralytics immer fasziniert hat, ist das eher neue Geschäftsmodell, das auf offenem Code basiert und kostenpflichtige Produkte für Nicht-Spezialisten anbietet, um die Leistungsfähigkeit von Deep Learning zu nutzen. Als Wissenschaftler schätze ich die Offenheit von Ultralytics sehr und finde, dass dies eine großartige Möglichkeit ist, die Produktentwicklung zu beschleunigen. Infolgedessen erlebt YOLOv5 dank des Beitrags vieler Data Scientists und Praktiker eher drastische Upgrades in ständiger Entwicklung.”

Was würden Sie jemandem empfehlen, der neu im Bereich KI ist?

Auf internationalen Konferenzen im vergangenen Jahr habe ich festgestellt, dass Forstwissenschaftler 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 habe ich vorgeschlagen, einen halben Tag für die Annotation zu investieren und zu versuchen, ein YOLOv5-Modell zu trainieren, um seine Leistungsfähigkeit und Einfachheit zu verstehen.

Um es mit meinen eigenen Worten zu sagen: „Ihre Methode funktioniert nicht? Dann YOLO it!“

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

Haben Sie Ihren eigenen YOLOv5-Anwendungsfall?

Markieren Sie uns mit #YOLOvME in unseren sozialen Medien mit Ihrem eigenen YOLOv5-Anwendungsfall, und wir werden Ihre Arbeit in der ML-Community bewerben.