YOLOvME: La revolución digital de los bosques
Explora la investigación forestal transformadora de Stefano Puliti usando YOLOv5 para la detección y análisis mediante drones en silvicultura.
Stefano Puliti es un investigador en teledetección forestal en el Norwegian Institute of Bioeconomy Research (NIBIO) dentro del departamento de inventario forestal nacional. 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 recursos, la innovación y la creación de valor a través de la investigación y la producción de conocimiento.
En su investigación, utiliza drones y otras técnicas de detección proximal, como el escaneo láser móvil, para generar analíticas avanzadas necesarias para satisfacer las necesidades de información modernas.
Gran parte del trabajo que ha estado realizando se ha llevado a cabo 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 permitiendo 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 dar un salto de calidad en el campo del deep learning, que todavía se encuentra en una etapa de crecimiento para el sector forestal. Desde que comprendió los tremendos beneficios que los investigadores pueden obtener del deep learning, Stefano ha estado desarrollando diversas aplicaciones en el campo de la visión mediante 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 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 baja curva de aprendizaje 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 detectores de baches hasta detectores de bordes de carretera y verticilos.
"Para cuando encontré YOLOv5, ya había intentado sin éxito entrenar algunos detectores de objetos en TensorFlow Object Detection API durante un tiempo. Luego me topé con el repositorio de YOLOv5 y (sin muchas esperanzas) intenté entrenar un detector y, 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 pensamiento o más bien un golpe de suerte, pero empezó".
La mayoría de los modelos se despliegan después en su solución en la nube (ForestSens) para ofrecer servicios al sector forestal. Allí, los usuarios pueden subir, por ejemplo, imágenes de drones que luego se transforman en información útil gracias a nuestra familia de modelos YOLOv5. Algunos de sus detectores entrenados también se despliegan en el Edge en maquinaria forestal o en camiones de transporte de madera.
Desde el principio, Stefano y su equipo han estado desarrollando toda una serie de modelos YOLOv5 para ayudar en:
- Evaluar la calidad de la madera
- Supervisar las necesidades de mantenimiento de las pistas forestales
- Detectar características relevantes para la biodiversidad en el bosque
Además, también están estudiando ampliar sus modelos basados en drones para la salud e inventario forestal a datos de imágenes aéreas y satelitales de menor resolución.
Con las últimas versiones de YOLOv5, esperan con mucho entusiasmo la clasificación de imágenes y la segmentación semántica que YOLOv5 puede ofrecer. Estas capacidades ampliarán su habilidad para resolver tareas complejas de visión por computador en entornos forestales.
La facilidad de configuración, tanto para el entrenamiento de los modelos (versión docker) como para su despliegue, 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 novedoso que se basa en código abierto y ofrece productos de pago para que los no especialistas accedan al poder del deep learning. Como científico, valoro mucho la apertura de Ultralytics y me parece una forma fantástica de acelerar el desarrollo del producto. Como resultado, YOLOv5 está experimentando mejoras drásticas en constante evolución gracias a la contribución de muchos científicos de datos y profesionales".
¿Qué le recomendarías a alguien que se inicia en la IA?#
Al asistir a conferencias internacionales durante el último año, he descubierto que los investigadores forestales se sienten intimidados por la complejidad del deep learning o no creen que pueda desempeñar un papel en su investigación. En todos estos casos, sugerí dedicar media jornada al etiquetado e intentar entrenar un YOLOv5 para comprender su potencia y sencillez.
Para decirlo con palabras exactas, solía decir: "¿Tu método no funciona? ¡Pues YOLO it!"
Si deseas mantenerte al día con Stefano Puliti y su trabajo, no dudes en visitar su perfil en NIBIO.
¿Tienes tu 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 en la comunidad de ML.
