YOLOvME: la rivoluzione digitale delle foreste

Stefano Puliti è un ricercatore nel campo del telerilevamento forestale presso il Norwegian Institute of Bioeconomy Research (NIBIO) nel dipartimento dell'inventario forestale nazionale. NIBIO è uno dei più grandi istituti di ricerca in Norvegia con circa 700 dipendenti. Contribuiscono alla sicurezza alimentare, alla gestione sostenibile delle risorse, all'innovazione e alla creazione di valore attraverso la ricerca e la produzione di conoscenza.

Nella sua ricerca, vengono utilizzati droni e altre tecniche di telerilevamento di prossimità, come la scansione laser mobile, per produrre analisi avanzate necessarie a soddisfare le moderne esigenze informative.

Gran parte del suo lavoro è stato svolto con il progetto SmartForest, un programma di ricerca a lungo termine finanziato dal Norwegian Research Council insieme alla maggior parte degli operatori del settore forestale in Norvegia. L'obiettivo di SmartForest è migliorare l'efficienza del settore forestale norvegese, consentendo una rivoluzione digitale che trasformi le informazioni forestali, la selvicoltura, le operazioni forestali, la fornitura di legno e il flusso complessivo di informazioni digitali nel settore.

Stefano ha lavorato per molti anni con applicazioni di machine learning più tradizionali come random forest o macchine a vettori di supporto. Circa tre anni fa, si è reso conto che era tempo di fare un salto di qualità nel campo del deep learning, che è ancora in fase di crescita per il settore forestale. Da quando ha compreso gli enormi vantaggi che i ricercatori possono trarre dal deep learning, Stefano ha sviluppato diverse applicazioni nel campo della visione da drone e da macchina.

Da quanto tempo utilizzi YOLOv5?

"Lo uso dall'estate del 2021 e non l'ho più abbandonato! Devo dire che è stato un colpo di fulmine grazie alla facilità di avvio del repository YOLOv5. Questo è stato estremamente prezioso per me perché all'epoca non avevo molta familiarità con Python e la curva di apprendimento poco accentuata di YOLOv5 è stata decisiva."

Stefano aveva iniziato a utilizzare l'object detection principalmente per identificare nelle immagini aeree da drone alberi in cattive condizioni di salute a causa di danni causati da agenti abiotici (siccità, vento, neve) o biotici (insetti e funghi). Da allora, lui e i suoi colleghi hanno sviluppato un'intera famiglia di rivelatori YOLOv5, dalle buche al bordo della strada e ai rivelatori di verticilli.

"Quando mi sono imbattuto in YOLOv5, avevo già provato senza successo ad addestrare alcuni rilevatori di oggetti nell'API TensorFlow Object Detection per un po' di tempo. Poi mi sono imbattuto nel repository YOLOv5 e (senza molta speranza) ho tentato di addestrare un rilevatore e, con grande sorpresa, ho iniziato il processo di apprendimento con quattro righe di codice. Non sono sicuro che si possa definire un processo di pensiero o piuttosto un colpo di fortuna, ma è iniziato."

La maggior parte dei modelli viene quindi implementata sulla loro soluzione cloud (ForestSens) per fornire servizi al settore forestale. Lì, gli utenti possono caricare, ad esempio, immagini di droni che vengono poi trasformate in informazioni utili grazie alla nostra famiglia di modelli YOLOv5. Alcuni dei loro rivelatori addestrati vengono anche implementati sull'edge, su macchine forestali o su camion per il trasporto di legname.

Fin dall'inizio, Stefano e il suo team hanno sviluppato un'intera serie di modelli YOLOv5 da utilizzare per aiutare in:

1. Valutazione della qualità del legname
2. Monitorare le esigenze di manutenzione delle strade forestali
3. Rilevamento di caratteristiche rilevanti per la biodiversità nelle foreste

Inoltre, stanno anche valutando l'estensione dei loro modelli basati su droni per la salute delle foreste e l'inventario a dati di immagini aeree e satellitari a risoluzione più grossolana.

Con le ultime release di YOLOv5, non vediamo l'ora di scoprire le funzionalità di classificazione delle immagini e segmentazione semantica che YOLOv5 potrà offrire. Queste capacità amplieranno la loro possibilità di risolvere compiti complessi di computer vision in ambienti forestali.

La facilità di configurazione sia per l'addestramento dei modelli (versione docker), sia per il deployment del modello ha reso YOLOv5 un'ottima opzione per loro.

“Uno degli aspetti che mi ha sempre affascinato di Ultralytics è il modello di business piuttosto nuovo che si basa sul codice aperto al suo interno e offre prodotti a pagamento per i non specialisti per accedere alla potenza del deep learning. Come scienziato, apprezzo molto l'apertura di Ultralytics e trovo che sia un ottimo modo per accelerare lo sviluppo del prodotto. Di conseguenza, YOLOv5 sta vedendo aggiornamenti piuttosto drastici in costante evoluzione grazie al contributo di molti data scientist e professionisti.”

Cosa consiglieresti a chi si avvicina all'IA per la prima volta?

Quando sono andato a conferenze internazionali durante l'anno scorso, ho scoperto che i ricercatori forestali sono spaventati dalla complessità del deep learning o non pensano che possa svolgere un ruolo nella loro ricerca. In tutti questi casi, ho suggerito di dedicare mezza giornata all'annotazione e di provare ad addestrare un YOLOv5 per comprenderne la potenza e la semplicità.

Per dirlo con le parole che stavo effettivamente dicendo: “Il tuo metodo non funziona? Allora YOLO it!”

Se desideri rimanere aggiornato su Stefano Puliti e il suo lavoro, sentiti libero di seguire il suo account Twitter.

Ha un suo caso d'uso di YOLOv5?

Tagga i tuoi casi d'uso YOLOv5 con #YOLOvME sui nostri social media e promuoveremo il tuo lavoro alla community ML.