YOLOvME: la revolución digital de los bosques

Stefano Puliti es investigador de teledetección forestal en el Instituto Noruego de Investigación sobre Bioeconomía (NIBIO), en el departamento nacional de inventario forestal. NIBIO es uno de los mayores institutos de investigación de Noruega y cuenta con aproximadamente 700 empleados. Contribuye a la seguridad alimentaria, la gestión sostenible de los recursos, la innovación y la creación de valor mediante la investigación y la generación de conocimiento.

En su investigación, se utilizan drones y otras técnicas de detección cercana, como el escaneo láser móvil, para generar análisis avanzados que respondan a las necesidades actuales de información.

Gran parte del trabajo que ha realizado se llevó a cabo en el marco del proyecto SmartForest, un programa de investigación a largo plazo financiado por el Consejo de Investigación de Noruega y por la mayoría de los actores del sector forestal noruego. El objetivo de SmartForest es mejorar la eficiencia del sector forestal noruego impulsando una revolución digital que transforme la información forestal, la silvicultura, las operaciones forestales, el suministro de madera y el flujo de información digital de todo el sector.

Durante muchos años, Stefano trabajó con aplicaciones más tradicionales de aprendizaje automático, como los bosques aleatorios o las máquinas de vectores de 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 está en desarrollo en el sector forestal. Desde que descubrió las enormes ventajas que el aprendizaje profundo puede ofrecer a los investigadores, Stefano ha desarrollado varias aplicaciones de visión artificial con drones y máquinas.

¿Cuánto tiempo llevas usando YOLOv5?#

«Lo uso desde el verano de 2021 y ¡no lo he dejado desde entonces! Tengo que decir que fue amor a primera vista, gracias a lo fácil que fue poner en marcha el repositorio de YOLOv5 . Me resultó extremadamente útil porque en aquel momento no tenía mucha experiencia 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 árboles en mal estado en imágenes tomadas con drones, ya fuera por daños causados por agentes abióticos (sequía, viento, nieve) o bióticos (insectos y hongos). Desde entonces, él y sus compañeros han desarrollado toda una familia de detectores YOLOv5, desde detectores de baches y bordes de carretera hasta detectores de verticilos.

«Cuando descubrí YOLOv5, llevaba un tiempo intentando, sin éxito, entrenar detectores de objetos con la API de detección de objetos de TensorFlow. Después encontré el repositorio de YOLOv5 y, sin demasiadas esperanzas, intenté entrenar un detector. Para mi gran sorpresa, empecé a aprender con cuatro líneas de código. No sé si se puede llamar a esto un proceso de reflexión o más bien un golpe de suerte, pero así empezó todo».

La mayoría de los modelos se implementan 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 se convierten en información útil 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:

1. Evaluar la calidad de la madera
2. Necesidades de supervisión para el mantenimiento de caminos forestales
3. Detectar características relevantes para la biodiversidad en el bosque

Además, están estudiando cómo ampliar sus modelos basados en drones para evaluar la salud y realizar inventarios forestales con imágenes aéreas y satelitales de menor resolución.

Con las últimas versiones de YOLOv5, tienen muchas ganas de aprovechar la clasificación de imágenes y la segmentación semántica que puede ofrecer YOLOv5. Estas capacidades ampliarán sus posibilidades para resolver tareas complejas de visión artificial en entornos forestales.

La facilidad de configuración, tanto para entrenar los modelos (con la versión de Docker) como para implementarlos, hizo de YOLOv5 una opción excelente para ellos.

«Uno de los aspectos de Ultralytics que siempre me ha fascinado es su modelo de negocio relativamente nuevo, basado en código abierto y que ofrece productos de pago para que quienes no son especialistas puedan acceder al potencial del aprendizaje profundo. Como científico, valoro mucho la transparencia de Ultralytics y me parece una forma excelente de acelerar el desarrollo del producto. Como resultado, YOLOv5 recibe mejoras bastante drásticas y evoluciona constantemente gracias a las aportaciones de muchos científicos de datos y profesionales».

¿Qué recomendarías a alguien que acaba de empezar en la IA?#

En los congresos internacionales a los que he asistido durante el último año, he visto que los investigadores forestales temen la complejidad del aprendizaje profundo o no creen que pueda tener cabida en sus investigaciones. En todos esos casos, les sugerí dedicar medio día a anotar datos y probar a entrenar un modelo YOLOv5 para entender su potencial y sencillez.

Para decirlo tal cual lo decía: «¿Tu método no funciona? ¡Pues prueba con YOLO!»

Si quieres estar al día de las novedades de Stefano Puliti y su trabajo, visita su perfil en NIBIO.

¿Tienes tu propio caso de uso de YOLOv5?#

Menciónanos en redes sociales con #YOLOvME y tu propio caso de uso de YOLOv5, y daremos visibilidad a tu trabajo en la comunidad de aprendizaje automático.