YOLOvME: a revolução digital das florestas

Stefano Puliti é investigador em deteção remota florestal 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 aproximadamente 700 colaboradores. Contribui para a segurança e a proteção alimentar, a gestão sustentável de 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 proximal, como a digitalização laser móvel, para produzir as análises avançadas necessárias para responder às necessidades modernas de informação.

Grande parte do trabalho que tem desenvolvido foi realizada no âmbito do projeto SmartForest, um programa de investigação de 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, possibilitando uma revolução digital que transforme a informação florestal, a silvicultura, as operações florestais, o fornecimento de madeira e o fluxo geral de informação digital no setor.

Durante muitos anos, Stefano trabalhou com aplicações mais tradicionais de machine learning, como random forest ou máquinas de vetores de suporte. Há cerca de três anos, percebeu que era altura de avançar no domínio do deep learning, que ainda está numa fase de crescimento no setor florestal. Desde que reconheceu os enormes benefícios que os investigadores podem obter com o deep learning, Stefano tem vindo a desenvolver várias aplicações no domínio da visão computacional baseada em 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 uma espécie de amor à “primeira vista”, graças à facilidade de pôr o repositório do YOLOv5 a funcionar. Isto foi extremamente valioso para mim porque, na altura, não estava muito familiarizado com Python, e a curva de aprendizagem pouco acentuada do YOLOv5 foi o fator decisivo."

Stefano recorreu inicialmente à deteção de objetos sobretudo para identificar, em imagens captadas por 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 os seus colegas têm vindo a desenvolver toda uma família de detetores YOLOv5, desde detetores de buracos na estrada até detetores da berma da estrada e de verticilos.

"Quando encontrei o YOLOv5, tinha tentado sem sucesso treinar alguns detetores de objetos na TensorFlow Object Detection API durante algum tempo. Depois deparei-me com o repositório do YOLOv5 e, (sem grandes esperanças), tentei treinar um detetor e, para minha grande surpresa, iniciei o processo de aprendizagem com quatro linhas de código. Não tenho a certeza de que se possa definir isto como um processo de reflexão ou antes como um golpe de sorte, mas começou."

A maioria dos modelos é depois implementada na solução de cloud (ForestSens) para fornecer serviços ao setor florestal. Aí, os utilizadores podem carregar, por exemplo, imagens captadas por drones, que são então transformadas em informações práticas graças à nossa família de modelos YOLOv5. Alguns dos seus detetores treinados também são implementados na periferia em máquinas florestais ou em camiões de exploração madeireira.

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

1. Avaliar a qualidade da madeira
2. Monitorizar as necessidades de manutenção das estradas florestais
3. Detetar características relevantes para a biodiversidade na floresta

Além disso, também estão a estudar a extensão dos seus modelos baseados em drones para a avaliação da saúde e do inventário florestais, utilizando dados de imagens aéreas e de satélite com resolução mais baixa.

Com as versões mais recentes do YOLOv5, aguardam com grande expectativa a classificação de imagens e a segmentação semântica que o YOLOv5 poderá oferecer. Estas capacidades ampliarão a sua capacidade de resolver tarefas complexas de visão computacional em ambientes florestais.

A facilidade de configuração, tanto para treinar os modelos (versão docker) como para os implementar, tornou o YOLOv5 uma excelente opção para eles.

“Um dos aspetos que sempre me fascinou na Ultralytics é o modelo de negócio relativamente novo, que assenta num código aberto e oferece produtos pagos para que não especialistas possam aceder ao poder do deep learning. Como cientista, aprecio muito a abertura da Ultralytics e considero que é uma excelente forma de acelerar o desenvolvimento do produto. Como resultado, o YOLOv5 está a receber atualizações bastante significativas e encontra-se em constante evolução, graças à contribuição de muitos cientistas de dados e profissionais.”

O que gostarias de recomendar a alguém que está a começar na área da IA?#

Ao participar em conferências internacionais durante o último ano, descobri que os investigadores florestais ou se sentem intimidados pela complexidade do deep learning ou não acreditam que este possa desempenhar um papel na sua investigação. Em todos estes casos, sugeri que dedicassem meio dia à anotação e tentassem treinar um YOLOv5 para compreender o seu poder e simplicidade.

Para dizer isto pelas palavras que eu realmente usava: “O teu método não está a funcionar? Então faz YOLO!”

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

Tens o teu próprio caso de utilização do YOLOv5?#

Identifica-nos com #YOLOvME nas nossas redes sociais, partilhando o teu próprio caso de utilização do YOLOv5, e promoveremos o teu trabalho junto da comunidade de ML.