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 utilizza YOLOv5?

"Lo uso dall'estate 2021 e non l'ho più abbandonato! Devo dire che è stato un amore "a prima vista" grazie alla facilità di ottenere la YOLOv5 e di renderlo funzionante. Questo è stato estremamente prezioso per me, perché all'epoca non avevo molta dimestichezza con python e la curva di apprendimento ridotta di YOLOv5è stata la chiave di volta".

Stefano ha fatto ricorso al rilevamento di oggetti principalmente per identificare nelle immagini dei droni gli alberi in cattivo stato 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 rilevatori YOLOv5 , da quelli per le buche a quelli per i bordi delle strade e per le balze.

"Quando mi sono imbattuto in YOLOv5, per qualche tempo ho cercato senza successo di addestrare alcuni rilevatori di oggetti in TensorFlow Object Detection API. Poi mi sono imbattuto nel repo 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. Qui gli utenti possono caricare, ad esempio, immagini da drone che vengono poi trasformate in informazioni utili grazie alla nostra famiglia di modelli YOLOv5 . Alcuni dei loro rilevatori addestrati sono anche distribuiti sul bordo delle macchine forestali o sui camion per il taglio del legname.

Sin dall'inizio, Stefano e il suo team hanno sviluppato un'intera serie di modelli YOLOv5 da utilizzare come aiuto:

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 gli ultimi rilasci di YOLOv5 , sono molto impazienti di scoprire la classificazione delle immagini e la segmentazione semantica che YOLOv5 può offrire. Queste funzionalità amplieranno la loro capacità di risolvere compiti complessi di visione computerizzata in ambienti boschivi.

La facilità di configurazione sia per l'addestramento dei modelli (versione docker), sia per la distribuzione dei modelli 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 su un codice aperto nel suo nucleo e offre prodotti a pagamento per i non specialisti per accedere alla potenza del deep learning. Come scienziato, apprezzo molto l'apertura di Ultralyticse 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?

Durante le conferenze internazionali dello scorso anno, ho scoperto 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 una mezza giornata all'annotazione e di provare ad addestrare YOLOv5 per comprenderne la potenza e la semplicità.

Per dirla con parole vere e proprie, stavo dicendo: "Il tuo metodo non funziona? Allora YOLO !"

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

Avete un vostro caso d'uso YOLOv5 ?

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