YOLOvME: la rivoluzione digitale delle foreste
Scopri la ricerca forestale trasformativa di Stefano Puliti, che utilizza YOLOv5 per il rilevamento tramite droni e l'analisi nel settore forestale.
Stefano Puliti è un ricercatore di 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 della Norvegia, con circa 700 dipendenti. Contribuisce alla sicurezza e all'approvvigionamento alimentare, alla gestione sostenibile delle risorse, all'innovazione e alla creazione di valore attraverso la ricerca e la produzione di conoscenza.
Nella sua ricerca, utilizza droni e altre tecniche di rilevamento prossimale, come la scansione laser mobile, per produrre le analisi avanzate necessarie a rispondere alle moderne esigenze informative.
Gran parte del lavoro che ha svolto è stata realizzata nell'ambito del progetto SmartForest, un programma di ricerca a lungo termine finanziato dal Norwegian Research Council insieme alla maggior parte degli operatori dell'industria forestale norvegese. L'obiettivo di SmartForest è migliorare l'efficienza del settore forestale norvegese, rendendo possibile una rivoluzione digitale che trasformi le informazioni forestali, la selvicoltura, le operazioni forestali, l'approvvigionamento di legname e il flusso complessivo di informazioni digitali nel settore.
Per molti anni Stefano ha lavorato con applicazioni di machine learning più tradizionali, come le foreste casuali o le macchine a vettori di supporto. Circa tre anni fa, si è reso conto che era arrivato il momento di fare un salto di qualità nel campo del deep learning, che nel settore forestale è ancora in fase di crescita. Dopo aver compreso gli enormi vantaggi che i ricercatori possono trarre dal deep learning, Stefano ha sviluppato diverse applicazioni nel campo della visione artificiale basata su droni e macchine.
Da quanto tempo utilizzi YOLOv5?#
"Lo utilizzo dall'estate del 2021 e da allora non l'ho più abbandonato! Devo dire che è stato amore a “prima vista”, grazie alla facilità con cui si può configurare e avviare il repository di YOLOv5 . Questo per me è stato estremamente prezioso perché all'epoca non conoscevo molto bene Python e la curva di apprendimento graduale di YOLOv5 è stata decisiva."
Stefano aveva inizialmente fatto ricorso al rilevamento degli oggetti soprattutto per identificare nelle immagini scattate dai droni gli alberi in cattive condizioni 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, dal rilevamento delle buche stradali a quello del bordo della strada e delle biforcazioni dei rami.
"Quando mi sono imbattuto in YOLOv5, avevo già provato senza successo ad addestrare per un certo periodo alcuni rilevatori di oggetti con l'API TensorFlow per il rilevamento degli oggetti. Poi mi sono imbattuto nel repository di YOLOv5 e, senza grandi speranze, ho provato ad addestrare un rilevatore; con mia grande sorpresa, ho avviato il processo di apprendimento con quattro righe di codice. Non so se si possa definire un processo di riflessione o piuttosto un colpo di fortuna, ma è iniziato."
La maggior parte dei modelli viene poi implementata sulla loro soluzione cloud (ForestSens) per fornire servizi al settore forestale. Qui, ad esempio, gli utenti possono caricare immagini scattate da droni, che vengono poi trasformate in informazioni operative grazie alla nostra famiglia di modelli YOLOv5. Alcuni dei loro rilevatori addestrati vengono anche implementati all'edge su macchinari 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 contribuire a:
- Valutare la qualità del legname
- Monitorare le esigenze di manutenzione delle strade forestali
- Rilevare caratteristiche rilevanti per la biodiversità nella foresta
Inoltre, stanno valutando di estendere i loro modelli basati su droni per il monitoraggio dello stato di salute e l'inventario forestale a dati di immagini aeree e satellitari con una risoluzione più bassa.
Con le ultime versioni di YOLOv5, attendono con grande interesse le funzionalità di classificazione delle immagini e segmentazione semantica che YOLOv5 potrebbe offrire. Queste funzionalità amplieranno la loro capacità di risolvere attività complesse di visione artificiale in ambienti forestali.
La facilità di configurazione, sia per l'addestramento dei modelli (versione Docker) sia per la loro implementazione, ha reso YOLOv5 un'ottima scelta per loro.
“Uno degli aspetti che mi hanno sempre affascinato di Ultralytics è il modello di business piuttosto nuovo, che si basa sul codice aperto e offre prodotti a pagamento per consentire ai non specialisti di accedere alla potenza del deep learning. In quanto scienziato, apprezzo molto l'apertura di Ultralytics e ritengo che sia un ottimo modo per accelerare lo sviluppo del prodotto. Di conseguenza, YOLOv5 sta ricevendo aggiornamenti piuttosto radicali ed è in costante evoluzione grazie al contributo di molti data scientist e professionisti.”
Cosa vorresti consigliare a chi è nuovo nel campo dell'AI?#
Quando ho partecipato a conferenze internazionali nell'ultimo anno, ho constatato che i ricercatori nel settore forestale sono intimoriti dalla complessità del deep learning oppure 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 modello YOLOv5 per comprenderne la potenza e la semplicità.
Per dirlo con le parole che usavo davvero: “Il tuo metodo non funziona? Allora fai YOLO!”
Se vuoi rimanere aggiornato su Stefano Puliti e sul suo lavoro, visita pure il suo profilo NIBIO.
Hai un tuo caso d'uso di YOLOv5?#
Taggaci sui nostri social media con il tuo caso d'uso di YOLOv5 usando #YOLOvME e promuoveremo il tuo lavoro presso la comunità ML.
