YOLOvME: la revolución digital de los bosques
Explora la transformadora investigación forestal de Stefano Puliti mediante YOLOv5 para la detección y la analítica forestales basada en drones.
Stefano Puliti es investigador de teledetección forestal en el Instituto Noruego de Investigación de la Bioeconomía (NIBIO), dentro del departamento de inventario forestal. NIBIO es uno de los mayores institutos de investigación de Noruega, con aproximadamente 700 empleados. Contribuye a la seguridad y la inocuidad alimentarias, la gestión sostenible de los recursos, la innovación y la creación de valor mediante la investigación y la producción de conocimiento.
En su investigación, utiliza drones y otras técnicas de teledetección proximal, como el escaneado láser móvil, para producir los análisis avanzados necesarios para responder a las necesidades actuales de información.
Gran parte del trabajo que ha realizado se llevó a cabo con el proyecto SmartForest, 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 del país. El objetivo de SmartForest es mejorar la eficiencia del sector forestal noruego mediante una revolución digital que transforme la información forestal, la selvicultura, las operaciones forestales, el suministro de madera y el flujo general de información digital de la industria.
Stefano trabajó durante muchos años con aplicaciones más tradicionales de aprendizaje automático, como los bosques aleatorios o las máquinas de vectores soporte. Hace unos tres años se dio cuenta de que había llegado el momento de dar un paso adelante en el campo del aprendizaje profundo, que todavía se encuentra en fase de crecimiento en el sector forestal. Desde que comprendió los enormes beneficios que los investigadores pueden obtener del aprendizaje profundo, Stefano ha desarrollado varias aplicaciones en el ámbito de la visión artificial basada en drones y máquinas.
¿Cuánto tiempo llevas utilizando YOLOv5?#
«Lo llevo utilizando desde el verano de 2021 y, desde entonces, ¡no lo he abandonado! Tengo que decir que fue amor a “primera vista”, gracias a la facilidad para poner en marcha el repositorio de YOLOv5 . Esto fue extremadamente valioso para mí porque en aquel momento no estaba muy familiarizado con python, y la curva de aprendizaje poco pronunciada de YOLOv5 fue el factor decisivo.»
Stefano había recurrido a la detección de objetos principalmente para identificar en imágenes tomadas con drones los árboles en mal estado, ya fuera por daños causados por agentes abióticos (sequía, viento o nieve) o bióticos (insectos y hongos). Desde entonces, él y sus colegas han desarrollado toda una familia de detectores YOLOv5, desde detectores de baches y del borde de la carretera hasta detectores de verticilos.
«Cuando me topé con YOLOv5, llevaba algún tiempo intentando, sin éxito, entrenar algunos detectores de objetos con TensorFlow Object Detection API. Después encontré el repositorio de YOLOv5 y, sin muchas esperanzas, intenté entrenar un detector; para mi gran sorpresa, inicié el proceso de aprendizaje con cuatro líneas de código. No estoy seguro de si se puede definir como un proceso de reflexión o más bien como un golpe de suerte, pero así empezó.»
A continuación, la mayoría de los modelos se implementan en su solución en la nube (ForestSens) para ofrecer servicios al sector forestal. Allí, los usuarios pueden subir, por ejemplo, imágenes tomadas con drones, que se convierten en información práctica gracias a nuestra familia de modelos YOLOv5. Algunos de sus detectores entrenados también se implementan en el edge, en máquinas forestales o camiones madereros.
Desde el principio, Stefano y su equipo han desarrollado toda una serie de modelos YOLOv5 para ayudar a:
- Evaluar la calidad de la madera
- Supervisar las necesidades de mantenimiento de los caminos forestales
- Detectar características relevantes para la biodiversidad en el bosque
Además, también están estudiando ampliar sus modelos basados en drones para evaluar la salud y realizar el inventario forestal utilizando datos de imágenes aéreas y satelitales de menor resolución.
Con las últimas versiones de YOLOv5, esperan con gran interés las funciones de clasificación de imágenes y segmentación semántica que puede ofrecer YOLOv5. Estas capacidades ampliarán su capacidad para resolver tareas complejas de visión artificial en entornos forestales.
La facilidad de configuración, tanto para entrenar los modelos (versión de Docker) como para implementarlos, convirtió a YOLOv5 en una opción excelente para ellos.
«Uno de los aspectos que siempre me han fascinado de Ultralytics es su modelo de negocio, relativamente nuevo, que se basa en el código abierto y ofrece productos de pago para que los no especialistas puedan acceder al potencial del aprendizaje profundo. Como científico, valoro mucho la apertura de Ultralytics y me parece una forma excelente de acelerar el desarrollo del producto. Como resultado, YOLOv5 está experimentando mejoras bastante drásticas en una evolución constante gracias a las contribuciones de muchos científicos de datos y profesionales.»
¿Qué te gustaría recomendar a alguien que se está iniciando en la IA?#
Al asistir a conferencias internacionales durante el último año, observé que los investigadores forestales tienen miedo de la complejidad del aprendizaje profundo o no creen que pueda desempeñar un papel en su investigación. En todos esos casos, sugerí dedicar medio día a la anotación e intentar entrenar un YOLOv5 para comprender su potencial y sencillez.
Para expresarlo con las palabras que utilizaba: «¿Tu método no funciona? ¡Pues haz YOLO!»
Si quieres mantenerte al día sobre Stefano Puliti y su trabajo, no dudes en visitar su perfil en NIBIO.
¿Tienes tu propio caso de uso de YOLOv5?#
Menciónanos con #YOLOvME en nuestras redes sociales y comparte tu propio caso de uso de YOLOv5; promocionaremos tu trabajo entre la comunidad de ML.
