YOLOvME: A revolução digital das florestas

Stefano Puliti é investigador em deteção remota de florestas no Instituto Norueguês de Investigação em Bioeconomia (NIBIO), no departamento de inventário florestal nacional. O NIBIO é um dos maiores institutos de investigação da Noruega, com cerca de 700 funcionários. Contribui para a segurança alimentar, a gestão sustentável dos recursos, a inovação e a criação de valor através da investigação e da produção de conhecimentos.

Na sua investigação, os drones e outras técnicas de deteção de proximidade, como a digitalização móvel a laser, são utilizados para produzir análises avançadas necessárias para responder às necessidades modernas de informação.

Grande parte do trabalho que tem vindo a desenvolver foi realizado no âmbito do projeto SmartForest, que é um programa de investigação a longo prazo financiado pelo Conselho de Investigação norueguês, juntamente com a maioria dos intervenientes da indústria florestal na Noruega. O objetivo do SmartForest é melhorar a eficiência do sector florestal norueguês, permitindo uma revolução digital que transforme a informação florestal, a silvicultura, as operações florestais, o fornecimento de madeira e o fluxo global de informação digital na indústria.

Stefano trabalhou durante muitos anos com aplicações de aprendizagem automática mais tradicionais, como a floresta aleatória ou as máquinas de vectores de suporte. Há cerca de três anos, percebeu que era altura de acelerar o jogo no domínio da aprendizagem profunda, que ainda se encontra em fase de crescimento no sector florestal. Desde que se apercebeu dos enormes benefícios que os investigadores podem retirar da aprendizagem profunda, Stefano tem vindo a desenvolver várias aplicações no domínio dos drones e da visão baseada em máquinas.

Há quanto tempo utiliza o YOLOv5?

"Tenho-o utilizado desde o verão de 2021 e, desde então, não o abandonei! Devo dizer que foi um amor do tipo "à primeira vista", graças à facilidade de obter o YOLOv5 a funcionar. Isto foi extremamente valioso para mim porque, na altura, não estava muito familiarizado com python e a curva de aprendizagem pouco profunda do YOLOv5 foi o fator decisivo."

Stefano tinha recorrido à deteção de objectos principalmente para identificar nas imagens de drones árvores em mau estado de saúde devido a danos causados por agentes abióticos (seca, vento, neve) ou bióticos (insectos e fungos). Desde então, ele e os seus colegas têm vindo a desenvolver toda uma família de detectores YOLOv5, desde os detectores de buracos até aos detectores de bordos de estrada e de espirais.

"Quando me deparei com o YOLOv5, já tinha tentado, sem sucesso, treinar alguns detectores de objectos na API de deteção de objectos do TensorFlow há algum tempo. Depois encontrei o repositório YOLOv5 e (sem muita esperança) tentei treinar um detetor e, com grande surpresa, iniciei o processo de aprendizagem com quatro linhas de código. Não sei se se pode definir como um processo de pensamento ou antes como um golpe de sorte, mas começou."

A maioria dos modelos é depois implementada na sua solução de nuvem (ForestSens) para prestar serviços ao sector florestal. Aí, os utilizadores podem carregar, por exemplo, imagens de drones que são depois transformadas em informações úteis graças à nossa família de modelos YOLOv5. Alguns dos seus detectores treinados são também implantados no limite das máquinas florestais ou nos camiões de exploração florestal.

Desde o início, Stefano e a sua equipa têm vindo a desenvolver uma série de modelos YOLOv5 para serem utilizados como ajuda:

1. Avaliação da qualidade da madeira
2. Monitorizar as necessidades de manutenção das estradas florestais
3. Deteção de caraterísticas relevantes para a biodiversidade na floresta

Além disso, estão também a estudar a possibilidade de alargar os seus modelos baseados em drones para a saúde e o inventário florestal a dados de imagens aéreas e de satélite de resolução mais grosseira.

Com as últimas versões do YOLOv5, aguardam com grande expetativa a classificação de imagens e a segmentação semântica que o YOLOv5 pode oferecer. Estas capacidades alargarão a sua capacidade de resolver tarefas complexas de visão computacional em ambientes florestais.

A facilidade de configuração, tanto para a formação dos modelos (versão docker), como para a implantação do modelo, fez do YOLOv5 uma óptima opção para eles.

"Um dos aspectos que sempre me fascinou no Ultralytics é o modelo de negócio bastante novo que assenta em código aberto no seu núcleo e oferece produtos pagos para que os não especialistas possam aceder ao poder da aprendizagem profunda. Como cientista, aprecio muito a abertura do Ultralytics e acho que é uma óptima forma de acelerar o desenvolvimento do produto. Como resultado, o YOLOv5 está a sofrer actualizações bastante drásticas em constante evolução, graças à contribuição de muitos cientistas de dados e profissionais."

O que é que gostaria de recomendar a alguém que esteja a começar a trabalhar com IA?

Ao participar em conferências internacionais durante o ano passado, descobri que os investigadores florestais estão assustados com a complexidade da aprendizagem profunda ou não pensam que esta possa desempenhar um papel na sua investigação. Em todos estes casos, sugeri que tirassem meio dia de anotações e tentassem treinar um YOLOv5 para compreender o seu poder e simplicidade.

Por outras palavras, eu estava a dizer: "O seu método não está a funcionar? Então, vai-te embora!"

Se quiser manter-se atualizado sobre Stefano Puliti e o seu trabalho, não hesite em seguir a sua conta no Twitter.

Tem o seu próprio caso de utilização YOLOv5?

Marque-nos com #YOLOvME nas nossas redes sociais com o seu próprio caso de utilização YOLOv5 e nós promoveremos o seu trabalho junto da comunidade ML.