YOLOvME: A Revolução Digital Das Florestas

Stefano Puliti é um pesquisador em sensoriamento remoto florestal no Norwegian Institute of Bioeconomy Research (NIBIO), no departamento de inventário florestal nacional. O NIBIO é um dos maiores institutos de pesquisa da Noruega, com aproximadamente 700 funcionários. Eles contribuem para a segurança alimentar, gestão sustentável de recursos, inovação e criação de valor por meio da pesquisa e produção de conhecimento.

Em sua pesquisa, drones e outras técnicas de sensoriamento proximal, como o escaneamento a laser móvel, são usados para produzir análises avançadas necessárias para responder às modernas necessidades de informação.

Boa parte do trabalho que ele tem feito foi realizada com o projeto SmartForest, um programa de pesquisa de longo prazo financiado pelo Conselho de Pesquisa da Noruega em conjunto com a maioria dos atores da indústria florestal na Noruega. O objetivo do SmartForest é melhorar a eficiência do setor florestal norueguês, possibilitando uma revolução digital que transforma a informação florestal, a silvicultura, as operações florestais, o suprimento de madeira e o fluxo geral de informação digital na indústria.

Stefano trabalhou por muitos anos com aplicações de aprendizado de máquina mais tradicionais, como florestas aleatórias ou máquinas de vetores de suporte. Há cerca de três anos, ele percebeu que era hora de subir o nível no campo do aprendizado profundo, que ainda está em estágio de crescimento para o setor florestal. Desde que percebeu os tremendos benefícios que os pesquisadores podem obter com o aprendizado profundo, Stefano vem desenvolvendo várias aplicações na área de visão computacional baseada em drones e máquinas.

Há quanto tempo você usa o YOLOv5?#

"Eu o uso desde o verão de 2021 e não o abandonei desde então! Devo dizer que foi um amor à primeira vista, graças à facilidade de colocar o repositório do YOLOv5 em funcionamento. Isso foi extremamente valioso para mim porque, na época, eu não era muito familiarizado com o python e a curva de aprendizado suave do YOLOv5 foi o fator decisivo."

Stefano recorreu à detecção de objetos principalmente para identificar em imagens de drones árvores em mau estado de saúde, devido a danos causados por agentes abióticos (seca, vento, neve) ou bióticos (insetos e fungos). Desde então, ele e seus colegas têm desenvolvido uma família inteira de detectores YOLOv5, desde buracos em estradas até detectores de borda de estrada e de verticilos.

"Quando encontrei o YOLOv5, eu já havia tentado, sem sucesso, treinar alguns detectores de objetos na TensorFlow Object Detection API por algum tempo. Então, encontrei o repositório do YOLOv5 e (sem muita esperança) tentei treinar um detector e, para minha grande surpresa, iniciei o processo de aprendizado com quatro linhas de código. Não tenho certeza se posso definir isso como um processo de pensamento ou mais como um golpe de sorte, mas começou."

A maioria dos modelos é então implantada em sua solução na nuvem (ForestSens) para prestar serviços ao setor florestal. Lá, os usuários podem carregar, por exemplo, imagens de drones que são então transformadas em insights acionáveis graças à nossa família de modelos YOLOv5. Alguns de seus detectores treinados também são implantados na borda (edge) em máquinas florestais ou em caminhões madeireiros.

Desde o início, Stefano e sua equipe têm desenvolvido toda uma série de modelos YOLOv5 para serem usados para ajudar em:

1. Avaliação da qualidade da madeira
2. Monitoramento da necessidade de manutenção de estradas florestais
3. Detecção de características relevantes para a biodiversidade na floresta

Além disso, eles também estão estudando estender seus modelos baseados em drones para saúde florestal e inventário para dados de imagem aérea e de satélite de resolução mais grossa.

Com os últimos lançamentos do YOLOv5, eles estão muito ansiosos pelas funcionalidades de classificação de imagem e segmentação semântica que o YOLOv5 pode oferecer. Essas capacidades vão estender a habilidade deles de resolver tarefas complexas de visão computacional em ambientes florestais.

A facilidade de configuração, tanto para o treinamento dos modelos (versão docker) quanto para a implantação dos modelos, fez do YOLOv5 uma ótima opção para eles.

"Um dos aspectos que sempre me fascinou na Ultralytics é o modelo de negócio bastante novo que depende de código aberto em seu núcleo e oferece produtos pagos para não especialistas acessarem o poder do aprendizado profundo. Como cientista, aprecio muito a abertura da Ultralytics e acho que é uma ótima maneira de acelerar o desenvolvimento do produto. Como resultado, o YOLOv5 está sofrendo atualizações drásticas em constante evolução, graças à contribuição de muitos cientistas de dados e profissionais."

O que você recomendaria a alguém novo em IA?#

Ao participar de conferências internacionais durante o último ano, descobri que os pesquisadores florestais ou estão assustados com a complexidade do aprendizado profundo ou não acham que ele possa desempenhar um papel em suas pesquisas. Em todos esses casos, sugeri tirar meio dia para fazer anotações e tentar treinar um YOLOv5 para entender seu poder e simplicidade.

Para colocar em palavras reais, eu dizia: "Seu método não está funcionando? Então YOLO nele!"

Se quiseres ficar atualizado sobre Stefano Puliti e o trabalho dele, sente-te à vontade para visitar o perfil dele no NIBIO.

Tem seu próprio caso de uso de YOLOv5?#

Marque-nos com #YOLOvME em nossas redes sociais com seu próprio caso de uso do YOLOv5 e promoveremos seu trabalho para a comunidade de ML.