YOLOvME: a revolução digital das florestas

Stefano Puliti é investigador em deteção remota florestal no Instituto Norueguês de Pesquisa em Bioeconomia (NIBIO), no departamento de inventário florestal nacional. O NIBIO é um dos maiores institutos de investigação da Noruega, com aproximadamente 700 colaboradores. O instituto contribui para a segurança e proteção alimentar, a gestão sustentável dos recursos, a inovação e a criação de valor através da investigação e da produção de conhecimento.

Na sua investigação, são utilizados drones e outras técnicas de deteção próxima, como o varrimento laser móvel, para produzir as análises avançadas necessárias para responder às necessidades atuais de informação.

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

Durante muitos anos, Stefano trabalhou com aplicações de aprendizagem automática mais tradicionais, como florestas aleatórias e máquinas de vetores de suporte. Há cerca de três anos, percebeu que era altura de avançar na área da aprendizagem profunda, que ainda está em crescimento no setor florestal. Desde que se apercebeu das enormes vantagens que os investigadores podem obter com a aprendizagem profunda, Stefano tem desenvolvido várias aplicações de visão computacional com drones e máquinas.

Há quanto tempo utilizas o YOLOv5?#

"Utilizo-o desde o verão de 2021 e nunca mais o abandonei! Tenho de dizer que foi amor à primeira vista, graças à facilidade com que consegui pôr o repositório do YOLOv5 a funcionar. Isso foi extremamente valioso para mim, porque na altura não conhecia muito bem Python, e a curva de aprendizagem pouco acentuada do YOLOv5 foi decisiva."

Stefano tinha recorrido à deteção de objetos sobretudo para identificar árvores em mau estado em imagens captadas por drones, devido a danos causados por agentes abióticos (seca, vento, neve) ou bióticos (insetos e fungos). Desde então, ele e os colegas têm desenvolvido toda uma família de detetores YOLOv5, destinados a detetar desde buracos e limites das estradas até verticilos.

"Quando descobri o YOLOv5, já tinha tentado, sem sucesso, durante algum tempo, treinar alguns detetores de objetos com a API de deteção de objetos do TensorFlow. Depois encontrei o repositório do YOLOv5 e, sem grandes expectativas, tentei treinar um detetor. Para minha grande surpresa, comecei o processo de aprendizagem com quatro linhas de código. Não sei se lhe podemos chamar um processo de reflexão ou antes um golpe de sorte, mas foi assim que tudo começou."

A maioria dos modelos é depois implementada na solução na nuvem (ForestSens) para prestar serviços ao setor florestal. Aí, os utilizadores podem, por exemplo, carregar imagens captadas por drones, que são depois convertidas em informações úteis graças à nossa família de modelos YOLOv5. Alguns dos detetores treinados também são implementados na periferia em máquinas florestais ou camiões de transporte de madeira.

Desde o início, Stefano e a sua equipa têm desenvolvido uma série completa de modelos YOLOv5 para ajudar a:

1. Avaliar a qualidade da madeira
2. Necessidades de monitorização para a manutenção de estradas florestais
3. Detetar características relevantes para a biodiversidade na floresta

Além disso, também estão a estudar a possibilidade de estender os seus modelos baseados em drones, concebidos para avaliar a saúde e fazer o inventário das florestas, a imagens aéreas e de satélite com resolução mais baixa.

Com os lançamentos mais recentes do YOLOv5, estão muito entusiasmados com a classificação de imagens e a segmentação semântica que o YOLOv5 poderá oferecer. Estas capacidades irão ampliar a sua capacidade de resolver tarefas complexas de visão computacional em ambientes florestais.

A facilidade de configuração, tanto para treinar os modelos (versão do Docker) como para implementar o modelo, fez do YOLOv5 uma ótima opção para eles.

“Um dos aspetos que sempre me fascinou na Ultralytics é o modelo de negócio relativamente novo, que tem o código aberto no seu cerne e oferece produtos pagos para que os não especialistas possam aceder ao poder da aprendizagem profunda. Como cientista, aprecio muito a abertura da Ultralytics e considero que é uma excelente forma de acelerar o desenvolvimento dos produtos. Por isso, o YOLOv5 tem recebido melhorias bastante significativas e evoluído continuamente graças às contribuições de muitos cientistas de dados e profissionais.”

Que conselho darias a alguém que está a começar na IA?#

Ao participar em conferências internacionais durante o último ano, percebi que os investigadores florestais ou se sentem intimidados pela complexidade da aprendizagem profunda, ou não acreditam que ela possa ter um papel na sua investigação. Em todos esses casos, sugeri que dedicassem meio dia à anotação e tentassem treinar um modelo YOLOv5 para perceber o seu poder e simplicidade.

Para dizer exatamente o que eu dizia: “O teu método não está a funcionar? Então YOLO!”

Se quiseres acompanhar as novidades de Stefano Puliti e do seu trabalho, visita o perfil dele no NIBIO.

Tens um caso de utilização do YOLOv5 para partilhar?#

Identifica-nos com #YOLOvME nas redes sociais e partilha o teu caso de utilização do YOLOv5; promoveremos o teu trabalho junto da comunidade de aprendizagem automática.