YOLOvME: La revolución digital de los bosques

Stefano Puliti es investigador en teledetección forestal en el Instituto Noruego de Investigación en Bioeconomía (NIBIO) en el departamento nacional de inventario forestal. NIBIO es uno de los institutos de investigación más grandes de Noruega, con aproximadamente 700 empleados. Contribuyen a la seguridad alimentaria, la gestión sostenible de los recursos, la innovación y la creación de valor a través de la investigación y la producción de conocimiento.

En su investigación, se utilizan drones y otras técnicas de detección proximal, como el escaneo láser móvil, para producir análisis avanzados necesarios para responder a las necesidades de información modernas.

Gran parte del trabajo que ha estado realizando se hizo con el proyecto SmartForest, que es un programa de investigación a largo plazo financiado por el Consejo de Investigación de Noruega junto con la mayoría de los actores de la industria forestal en Noruega. El objetivo de SmartForest es mejorar la eficiencia del sector forestal noruego mediante la habilitación de una revolución digital que transforme la información forestal, la silvicultura, las operaciones forestales, el suministro de madera y el flujo general de información digital en la industria.

Stefano trabajó durante muchos años con aplicaciones de aprendizaje automático más tradicionales, como random forest o máquinas de vectores de soporte. Hace unos tres años, se dio cuenta de que era hora de intensificar el juego en el campo del deep learning, que todavía está en la etapa de crecimiento para el sector forestal. Desde que se dio cuenta de los enormes beneficios que los investigadores pueden obtener del deep learning, Stefano ha estado desarrollando varias aplicaciones en el campo de la visión basada en drones y máquinas.

¿Cuánto tiempo llevas usando YOLOv5?

"Lo he estado usando desde el verano de 2021, ¡y no lo he abandonado desde entonces! Tengo que decir que fue un tipo de amor a “primera vista” gracias a la facilidad de poner en marcha el repositorio de YOLOv5. Esto fue extremadamente valioso para mí porque en ese momento no estaba muy familiarizado con python y la curva de aprendizaje poco profunda de YOLOv5 fue el factor decisivo."

Stefano había recurrido a la detección de objetos principalmente para identificar en imágenes de drones árboles en mal estado de salud, ya sea debido a daños causados por agentes abióticos (sequía, viento, nieve) o bióticos (insectos y hongos). Desde entonces, él y sus colegas han estado desarrollando toda una familia de detectores YOLOv5, desde baches hasta bordes de carreteras y detectores de verticilos.

"Cuando me topé con YOLOv5, ya había intentado sin éxito entrenar algunos detectores de objetos en la API de detección de objetos de TensorFlow durante algún tiempo. Luego me encontré con el repositorio de YOLOv5 e (sin mucha esperanza) intenté entrenar un detector y, con gran sorpresa, comencé el proceso de aprendizaje con cuatro líneas de código. No estoy seguro de si se puede definir como un proceso de pensamiento o más bien un golpe de suerte, pero así empezó."

La mayoría de los modelos se implementan en su solución en la nube (ForestSens) para prestar servicios al sector forestal. Allí, los usuarios pueden subir, por ejemplo, imágenes de drones que luego se convierten en información útil gracias a nuestra familia de modelos YOLOv5. Algunos de sus detectores entrenados también se implementan en el borde en máquinas forestales o en camiones madereros.

Desde el principio, Stefano y su equipo habían estado desarrollando toda una serie de modelos YOLOv5 para ser utilizados para ayudar en:

1. Evaluación de la calidad de la madera
2. Supervisar las necesidades de mantenimiento de las carreteras forestales
3. Detección de características relevantes para la biodiversidad en el bosque

Además, también están considerando extender sus modelos basados en drones para la salud forestal y el inventario a datos de imágenes aéreas y satelitales de resolución más gruesa.

Con las últimas versiones de YOLOv5, están muy interesados en la clasificación de imágenes y la segmentación semántica que YOLOv5 puede ofrecer. Estas capacidades ampliarán su capacidad para resolver tareas complejas de visión artificial en entornos forestales.

La facilidad de configuración, tanto para el entrenamiento de los modelos (versión docker), como para el despliegue del modelo, hizo de YOLOv5 una gran opción para ellos.

“Uno de los aspectos que siempre me ha fascinado de Ultralytics es el modelo de negocio, bastante nuevo, que se basa en el código abierto en su núcleo y ofrece productos de pago para que los no especialistas accedan al poder del aprendizaje profundo. Como científico, aprecio mucho la apertura de Ultralytics y me parece una forma estupenda de acelerar el desarrollo del producto. Como resultado, YOLOv5 está experimentando actualizaciones bastante drásticas en constante evolución gracias a la contribución de muchos científicos de datos y profesionales.”

¿Qué le recomendaría a alguien que se inicia en la IA?

Cuando he asistido a conferencias internacionales durante el último año, he notado que los investigadores forestales o bien se sienten intimidados por la complejidad del deep learning o no creen que pueda desempeñar un papel en sus investigaciones. En todos estos casos, les he sugerido dedicar media jornada a la anotación e intentar entrenar un modelo YOLOv5 para comprender su potencia y sencillez.

Para decirlo con mis propias palabras, lo que realmente estaba diciendo era: "¿Tu método no funciona? ¡Entonces YOLO it!"

Si desea mantenerse al día con Stefano Puliti y su trabajo, no dude en seguir su cuenta de Twitter.

¿Tiene su propio caso de uso de YOLOv5?

Etiquétanos con #YOLOvME en nuestras redes sociales con tu propio caso de uso de YOLOv5 y promocionaremos tu trabajo a la comunidad de ML.