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 utiliza 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 YOLOv5foi 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 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. 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 as últimas versões YOLOv5 , aguardam com grande expetativa a classificação de imagens e a segmentação semântica que 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 Ultralyticse acho que é uma óptima forma de acelerar o desenvolvimento do produto. Como resultado, YOLOv5 está a receber actualizações 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 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 YOLO !"

Se quiser manter-se atualizado com Stefano Puliti e o seu trabalho, sinta-se à vontade para 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.