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 di inventario forestale nazionale. NIBIO è uno dei più grandi istituti di ricerca in Norvegia e conta circa 700 dipendenti. Contribuisce alla sicurezza e alla qualità alimentare, alla gestione sostenibile delle risorse, all'innovazione e alla creazione di valore attraverso la ricerca e la produzione di conoscenze.

Nelle sue ricerche, i droni e altre tecniche di rilevamento ravvicinato, come la scansione laser mobile, vengono usati per produrre analisi avanzate necessarie a rispondere alle moderne esigenze informative.

Gran parte del suo lavoro è stato svolto nell'ambito del progetto SmartForest, un programma di ricerca a lungo termine finanziato dal Consiglio norvegese per la ricerca insieme alla maggior parte degli operatori del settore forestale norvegese. L'obiettivo di SmartForest è migliorare l'efficienza del settore forestale norvegese favorendo una rivoluzione digitale che trasformi le informazioni forestali, la selvicoltura, le attività 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 e le macchine a vettori di supporto. Circa tre anni fa, ha capito che era arrivato il momento di fare un salto di qualità nel campo del deep learning, ancora in fase di crescita nel settore forestale. Dopo aver compreso gli enormi vantaggi che i ricercatori possono trarre dal deep learning, Stefano ha sviluppato diverse applicazioni di visione basate su droni e macchine.

Da quanto tempo usi YOLOv5?#

"Lo uso 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 ho potuto mettere in funzione il repository di YOLOv5. Per me è stato estremamente importante perché all'epoca non avevo molta familiarità con Python e la curva di apprendimento poco ripida di YOLOv5 è stata decisiva."

Stefano aveva iniziato a usare il rilevamento degli oggetti soprattutto per individuare alberi in cattive condizioni nelle immagini riprese dai droni, 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, per individuare di tutto: dalle buche al bordo della strada, fino alle chiome degli alberi.

"Quando mi sono imbattuto in YOLOv5, avevo già provato senza successo per un po' ad addestrare alcuni rilevatori di oggetti con TensorFlow Object Detection API. Poi ho trovato il repository YOLOv5 e, senza troppe 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 così che è cominciato."

La maggior parte dei modelli viene poi distribuita sulla loro soluzione cloud (ForestSens) per offrire servizi al settore forestale. Gli utenti possono caricare, per esempio, immagini riprese da droni, che vengono trasformate in informazioni utili grazie alla nostra famiglia di modelli YOLOv5. Alcuni dei rilevatori addestrati vengono inoltre distribuiti 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 usare per:

1. Valutare la qualità del legname
2. Esigenze di monitoraggio per la manutenzione delle strade forestali
3. Rilevare caratteristiche forestali rilevanti per la biodiversità

Inoltre, stanno valutando come estendere i loro modelli basati su droni per monitorare la salute e l'inventario delle foreste anche a immagini aeree e satellitari a risoluzione più bassa.

Con le ultime versioni di YOLOv5, non vedono l'ora di sfruttare le funzionalità di classificazione delle immagini e segmentazione semantica offerte da YOLOv5. Queste funzionalità amplieranno la loro capacità di affrontare attività complesse di Visione artificiale negli ambienti forestali.

La facilità di configurazione, sia per l'addestramento dei modelli (versione Docker) sia per la loro distribuzione, ha reso YOLOv5 un'ottima scelta.

“Uno degli aspetti di Ultralytics che mi hanno sempre affascinato è il modello di business relativamente nuovo, basato sul codice aperto e sull'offerta di prodotti a pagamento che consentono anche ai non specialisti di sfruttare il deep learning. In quanto scienziato, apprezzo molto l'apertura di Ultralytics e penso che sia un ottimo modo per accelerare lo sviluppo dei prodotti. Di conseguenza, YOLOv5 continua a evolversi e a ricevere aggiornamenti piuttosto importanti grazie al contributo di numerosi data scientist e professionisti.”

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

Partecipando a conferenze internazionali nell'ultimo anno, ho notato che i ricercatori forestali temono la complessità del deep learning oppure non credono che possa avere un ruolo nelle loro ricerche. In tutti questi casi, ho consigliato di dedicare mezza giornata all'annotazione e provare ad addestrare un modello YOLOv5 per scoprirne la potenza e la semplicità.

Per usare le parole che dicevo davvero: “Il tuo metodo non funziona? Allora YOLO!”

Se vuoi seguire gli aggiornamenti di Stefano Puliti e il suo lavoro, visita pure il suo profilo NIBIO.

Hai un caso d'uso di YOLOv5 da condividere?#

Taggaci sui social con #YOLOvME e il tuo caso d'uso di YOLOv5: promuoveremo il tuo lavoro nella community del ML.