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. Il 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, droni e altre tecniche di rilevamento prossimale come la scansione laser mobile vengono utilizzati per produrre analisi avanzate necessarie a rispondere alle moderne esigenze informative.

Gran parte del lavoro che ha svolto è stato realizzato con il progetto SmartForest, un programma di ricerca a lungo termine finanziato dal Consiglio di ricerca norvegese insieme alla maggior parte degli attori dell'industria forestale in Norvegia. L'obiettivo di SmartForest è migliorare l'efficienza del settore forestale norvegese favorendo una rivoluzione digitale che trasformi le informazioni forestali, la selvicoltura, le operazioni forestali, l'approvvigionamento di legname e il flusso informativo digitale complessivo nel settore.

Stefano ha lavorato per molti anni con applicazioni di machine learning più tradizionali come random forest o support vector machines. Circa tre anni fa, ha capito che era giunto il momento di passare al livello successivo nel campo del deep learning, che è ancora in una fase di crescita per il settore forestale. Da quando ha compreso gli enormi benefici che i ricercatori possono trarre dal deep learning, Stefano ha sviluppato diverse applicazioni nel campo della visione tramite droni e macchine.

Link to this sectionDa quanto tempo usi YOLOv5?#

"Lo uso dall'estate del 2021 e da allora non l'ho più abbandonato! Devo dire che è stato un colpo di fulmine grazie alla facilità con cui è possibile mettere in funzione il repository di YOLOv5 . Questo è stato estremamente prezioso per me perché all'epoca non avevo molta familiarità con Python e la curva di apprendimento poco ripida di YOLOv5 è stata determinante."

Stefano era ricorso all'object detection principalmente per identificare nelle immagini dei droni alberi in cattivo stato di salute, a causa di danni provocati da agenti abiotici (siccità, vento, neve) o biotici (insetti e funghi). Da allora, lui e i suoi colleghi hanno sviluppato un'intera famiglia di rilevatori YOLOv5, dai rilevatori di buche stradali a quelli per il bordo stradale e i verticilli.

"Quando mi sono imbattuto in YOLOv5, avevo tentato senza successo per un po' di tempo di addestrare alcuni rilevatori di oggetti con la TensorFlow Object Detection API. Poi ho trovato il repository di YOLOv5 e (senza troppe speranze) ho tentato di addestrare un rilevatore e, con grande sorpresa, ho avviato 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 poi distribuita 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 insight azionabili grazie alla nostra famiglia di modelli YOLOv5. Alcuni dei loro rilevatori addestrati vengono distribuiti anche all'edge su macchine forestali o camion per il trasporto del legname.

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

1. Valutare la qualità del legname
2. Monitorare le esigenze di manutenzione delle strade forestali
3. Rilevare caratteristiche rilevanti per la biodiversità nella foresta

Inoltre, stanno anche valutando di estendere i loro modelli basati su droni per la salute delle foreste e l'inventario a dati di immagini aeree e satellitari a risoluzione inferiore.

Con i più recenti rilasci di YOLOv5, attendono con impazienza la classificazione delle immagini e la segmentazione semantica che YOLOv5 può offrire. Queste funzionalità estenderanno la loro capacità di risolvere complesse attività di computer vision in ambienti forestali.

La facilità di configurazione sia per l'addestramento dei modelli (versione docker) che per la loro distribuzione 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 come nucleo e offre prodotti a pagamento per consentire ai non specialisti di 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.”

Link to this sectionCosa consiglieresti a qualcuno che si avvicina all'IA?#

Partecipando a conferenze internazionali durante l'ultimo anno, ho riscontrato che i ricercatori forestali sono spaventati dalla complessità del deep learning o non pensano che possa avere 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 parole mie, stavo dicendo: “Il tuo metodo non funziona? Allora YOLO it!”

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

Link to this sectionHai il tuo caso d'uso per YOLOv5?#

Taggaci con #YOLOvME sui nostri social media con il tuo caso d'uso di YOLOv5 e promuoveremo il tuo lavoro alla comunità ML.