YOLOvME: A Revolução Digital das Florestas

Stefano Puliti é pesquisador em sensoriamento remoto florestal no Instituto Norueguês de Pesquisa em Bioeconomia (NIBIO), no departamento nacional de inventário florestal. 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 de pesquisa e produção de conhecimento.

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

Grande parte do trabalho que ele tem feito foi realizado com o projeto SmartForest, que é um programa de pesquisa de longo prazo financiado pelo Conselho de Pesquisa Norueguês, juntamente com a maioria dos atores da indústria florestal na Noruega. O objetivo do SmartForest é melhorar a eficiência do setor florestal norueguês, permitindo uma revolução digital que transforma as informações florestais, a silvicultura, as operações florestais, o fornecimento de madeira e o fluxo geral de informações digitais na indústria.

Stefano trabalhou por muitos anos com aplicações de machine learning mais tradicionais, como random forest ou máquinas de vetores de suporte. Há cerca de três anos, ele percebeu que era hora de intensificar o jogo no campo do deep learning, que ainda está em fase de crescimento para o setor florestal. Desde que percebeu os tremendos benefícios que os pesquisadores podem obter com o deep learning, Stefano tem desenvolvido diversas aplicações na área de visão 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! Tenho que dizer que foi um tipo de amor “à primeira vista” graças à facilidade de colocar o YOLOv5 em funcionamento. Isso foi extremamente valioso para mim porque na época eu não estava muito familiarizado com python e a curva de aprendizado rasa do YOLOv5 foi o fator decisivo."

Stefano recorreu à detecção de objetos principalmente para identificar, em imagens de drones, árvores com problemas 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 toda uma família de detectores YOLOv5, desde buracos até bordas de estradas e detectores de verticilos.

"Quando tropecei no YOLOv5, já tinha tentado, sem sucesso, treinar alguns detetores de objetos na API de Detecção de Objetos do TensorFlow por algum tempo. Então, encontrei o repositório YOLOv5 e (sem muita esperança) tentei treinar um detetor e, com grande surpresa, iniciei o processo de aprendizado com quatro linhas de código. Não tenho certeza se pode ser definido como um processo de pensamento ou um golpe de sorte, mas começou."

A maioria dos modelos são então implantados em sua solução de nuvem (ForestSens) para fornecer 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 em máquinas florestais ou em caminhões de transporte de madeira.

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

1. Avaliando a qualidade da madeira
2. Monitorar as necessidades de manutenção de estradas florestais
3. Detecção de características relevantes para a biodiversidade na floresta

Além disso, eles também estão investigando a extensão de seus modelos baseados em drones para a saúde florestal e inventário para dados de imagens aéreas e de satélite de resolução mais grosseira.

Com os lançamentos mais recentes do YOLOv5, eles estão ansiosos pela classificação de imagens e segmentação semântica que o YOLOv5 pode oferecer. Esses recursos ampliarão sua capacidade 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 implementação do modelo, tornou o YOLOv5 uma ótima opção para eles.

“Um dos aspetos que sempre me fascinou na Ultralytics é o modelo de negócio bastante novo que se baseia em código aberto no seu núcleo e oferece produtos pagos para que não especialistas acedam ao poder do deep learning. Como cientista, aprecio muito a abertura da Ultralytics e considero que é uma ótima maneira de acelerar o desenvolvimento do produto. Como resultado, o YOLOv5 está a ver atualizações bastante drásticas em constante evolução graças à contribuição de muitos cientistas de dados e profissionais.”

O que você recomendaria para alguém que é novo em IA?

Ao participar de conferências internacionais no ano passado, descobri que os pesquisadores florestais estão assustados com a complexidade do deep learning ou não acham que ele possa desempenhar um papel em suas pesquisas. Em todos esses casos, sugeri dedicar meio dia à anotação e tentar treinar um YOLOv5 para entender seu poder e simplicidade.

Para colocar em palavras reais o que eu estava realmente dizendo: “Seu método não está funcionando? Então YOLO nele!”

Se quiser manter-se atualizado com Stefano Puliti e o seu trabalho, sinta-se à vontade para seguir a sua conta no Twitter.

Tem seu próprio caso de uso YOLOv5?

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