YOLOvME: Die digitale Revolution der Wälder

Stefano Puliti ist Forscher für Fernerkundung von Wäldern am Norwegischen Institut für Bioökonomieforschung (NIBIO) in der Abteilung für die nationale Waldinventur. NIBIO ist mit etwa 700 Beschäftigten eines der größten Forschungsinstitute Norwegens. Durch Forschung und Wissensproduktion leistet das Institut einen Beitrag zur Ernährungssicherheit, zur nachhaltigen Ressourcenbewirtschaftung, zu Innovation und Wertschöpfung.

In seiner Forschung nutzt Stefano Drohnen und andere Verfahren der nahbereichsbasierten Fernerkundung, etwa mobiles Laserscanning, um fortgeschrittene Analysen zu erstellen, die zur Beantwortung des heutigen Informationsbedarfs erforderlich sind.

Ein Großteil seiner Arbeit entstand im Rahmen des Projekts SmartForest, eines langfristigen Forschungsprogramms, das vom norwegischen Forschungsrat und den meisten Akteuren der norwegischen Forstwirtschaft finanziert wird. SmartForest hat das Ziel, die Effizienz des norwegischen Forstsektors zu verbessern. Dazu soll eine digitale Revolution die Waldinformationen, den Waldbau, die Forstwirtschaft, die Holzversorgung und den gesamten digitalen Informationsfluss in der Branche verändern.

Stefano arbeitete viele Jahre mit traditionelleren Anwendungen des maschinellen Lernens, etwa mit Random Forests oder Support Vector Machines. Vor etwa drei Jahren erkannte er, dass es Zeit war, im Bereich Deep Learning einen Schritt weiterzugehen, der im Forstsektor noch im Aufschwung begriffen ist. Nachdem er die enormen Vorteile erkannt hatte, die Forschende aus Deep Learning ziehen können, entwickelte Stefano mehrere Anwendungen im Bereich der drohnen- und maschinengestützten Bildverarbeitung.

Seit wann verwendest du YOLOv5?#

„Ich verwende es seit dem Sommer 2021 und habe es seitdem nicht mehr aufgegeben! Ich muss sagen, es war Liebe auf den ersten Blick – dank der einfachen Einrichtung des YOLOv5 Repos. 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 vor allem ein, um Bäume in Drohnenaufnahmen zu erkennen, die aufgrund abiotischer Einflüsse (Dürre, Wind, Schnee) oder biotischer Schadfaktoren (Insekten und Pilze) geschädigt waren. Seitdem entwickeln er und seine Kollegen eine ganze Reihe von YOLOv5-Erkennungsmodellen – zur Erkennung von Schlaglöchern, Straßenrändern und Quirlwuchs.

„Als ich auf YOLOv5 stieß, hatte ich bereits einige Zeit erfolglos versucht, Objektdetektoren mit der TensorFlow Object Detection API zu trainieren. Dann entdeckte ich 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 Glückstreffer bezeichnen kann, aber es ging los.“

Die meisten Modelle werden anschließend auf der Cloud-Lösung ForestSens bereitgestellt, um Dienste für den Forstsektor anzubieten. Dort können Nutzer beispielsweise Drohnenbilder hochladen, die mithilfe der YOLOv5-Modellfamilie in umsetzbare Erkenntnisse verwandelt werden. Einige der trainierten Detektoren werden auch direkt am Einsatzort auf Forstmaschinen oder Holztransportern ausgeführt.

Seit Beginn ihrer Arbeit entwickelte Stefano mit seinem Team eine ganze Reihe von YOLOv5-Modellen für folgende Anwendungsbereiche:

1. Bewertung der Holzqualität
2. Überwachungsbedarf bei der Instandhaltung von Waldwegen
3. Erkennung biodiversitätsrelevanter Merkmale im Wald

Außerdem prüfen sie, ob sich ihre drohnenbasierten Modelle zur Erfassung des Waldzustands und für Waldinventuren auf Luft- und Satellitenbilder mit gröberer Auflösung übertragen lassen.

Die neuesten YOLOv5-Versionen wecken bei ihnen große Vorfreude auf die Bildklassifizierung und semantische Segmentierung, die YOLOv5 ermöglichen könnte. Diese Fähigkeiten werden ihre Möglichkeiten erweitern, komplexe Computer-Vision-Aufgaben in Waldgebieten zu lösen.

Dank der einfachen Einrichtung sowohl für das Training der Modelle (Docker-Version) als auch für deren Bereitstellung war YOLOv5 für sie eine ausgezeichnete Wahl.

„Einer der Aspekte, die mich an Ultralytics schon immer fasziniert haben, ist das recht neue Geschäftsmodell, das auf offenem Code basiert und kostenpflichtige Produkte anbietet, mit denen auch Nichtfachleute die Möglichkeiten von Deep Learning nutzen können. Als Wissenschaftler schätze ich die Offenheit von Ultralytics sehr und finde, dass sie die Produktentwicklung hervorragend beschleunigt. Deshalb wird YOLOv5 dank der Beiträge vieler Datenwissenschaftler und Praktiker ständig weiterentwickelt und umfassend verbessert.“

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

Bei internationalen Konferenzen im vergangenen Jahr 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 lang Daten zu annotieren und YOLOv5 zu trainieren, um seine Leistungsfähigkeit und Einfachheit kennenzulernen.

Ganz direkt gesagt, so wie ich es tatsächlich formuliert habe: „Deine Methode funktioniert nicht? Dann YOLO sie!“

Wenn du über Stefano Puliti und seine Arbeit auf dem Laufenden bleiben möchtest, besuche gern sein Profil bei NIBIO.

Hast du einen eigenen Anwendungsfall für YOLOv5?#

Markiere uns in den sozialen Medien mit #YOLOvME und teile deinen eigenen Anwendungsfall für YOLOv5. Wir stellen deine Arbeit dann der ML-Community vor.