YOLOvME: цифровая революция в лесном хозяйстве

Стефано Пулити — исследователь в области дистанционного зондирования лесов в Норвежском институте исследований биоэкономики (NIBIO), в отделе национальной инвентаризации лесов. NIBIO — один из крупнейших исследовательских институтов Норвегии, где работают около 700 сотрудников. Институт вносит вклад в продовольственную безопасность, устойчивое управление ресурсами, инновации и создание ценности благодаря исследованиям и получению новых знаний.

В своих исследованиях он использует дроны и другие методы ближнего зондирования, например мобильное лазерное сканирование, чтобы получать аналитические данные, необходимые для решения современных информационных задач.

Большая часть его работы велась в рамках проекта SmartForest — долгосрочной исследовательской программы, финансируемой Исследовательским советом Норвегии и большинством представителей лесной отрасли страны. Цель SmartForest — повысить эффективность лесного сектора Норвегии, запустив цифровую революцию в сфере лесной информации, лесоводства, лесохозяйственных работ, поставок древесины и общего цифрового обмена данными в отрасли.

Стефано много лет работал с более традиционными методами машинного обучения, например со случайным лесом и методом опорных векторов. Около трёх лет назад он понял, что пора активнее осваивать глубокое обучение — направление, которое в лесном секторе пока только развивается. Осознав огромную пользу, которую глубокое обучение может принести исследователям, Стефано начал разрабатывать различные решения для компьютерного зрения на основе дронов и машин.

Как давно ты используешь YOLOv5?#

«Я использую её с лета 2021 года и с тех пор не отказываюсь от неё! Должен сказать, это была любовь с первого взгляда — благодаря тому, как легко удалось запустить репозиторий YOLOv5. Для меня это было особенно ценно, потому что тогда я плохо знал Python, а простота освоения YOLOv5 стала решающим фактором».

Стефано использовал обнаружение объектов главным образом для выявления деревьев в плохом состоянии на снимках с дронов, повреждённых абиотическими факторами (засухой, ветром, снегом) или биотическими агентами (насекомыми и грибками). С тех пор он и его коллеги разработали целое семейство детекторов YOLOv5 для разных задач — от обнаружения выбоин и края дороги до мутовок.

«До того как я наткнулся на YOLOv5, я какое-то время безуспешно пытался обучить несколько детекторов объектов с помощью TensorFlow Object Detection API. Потом я нашёл репозиторий YOLOv5 и, почти не надеясь на успех, попробовал обучить детектор. К моему огромному удивлению, я начал обучение всего с четырёх строк кода. Не знаю, можно ли это назвать продуманным решением или просто счастливой случайностью, но всё началось именно так».

Большинство моделей развёртывают в их облачном решении ForestSens, чтобы предоставлять услуги лесному сектору. Пользователи могут загружать туда, например, снимки с дронов, которые затем превращаются в полезные данные с помощью семейства моделей YOLOv5. Некоторые обученные детекторы также развёрнуты на периферийных устройствах лесозаготовительных машин и лесовозов.

С самого начала Стефано и его команда разрабатывали целую серию моделей YOLOv5, которые помогают:

1. Оценивать качество древесины
2. Требования к мониторингу при обслуживании лесных дорог
3. Обнаруживать в лесу признаки, важные для биоразнообразия

Кроме того, команда изучает возможность применения моделей для оценки состояния лесов и их инвентаризации, обученных на снимках с дронов, к аэрофотоснимкам и спутниковым снимкам с более низким разрешением.

С выходом последних релизов YOLOv5 команда с нетерпением ждёт возможностей классификации изображений и семантической сегментации, которые может предложить YOLOv5. Эти возможности расширят их потенциал в решении сложных задач компьютерного зрения в лесной местности.

Простота настройки как для обучения моделей (версия Docker), так и для развёртывания сделала YOLOv5 отличным вариантом для этой команды.

«Меня всегда восхищала в Ultralytics относительно новая бизнес-модель, в основе которой лежит открытый код, а платные продукты позволяют неспециалистам использовать возможности глубокого обучения. Как учёный, я очень ценю открытость Ultralytics и считаю её отличным способом ускорить развитие продукта. В результате YOLOv5 постоянно и довольно существенно совершенствуется благодаря вкладу множества специалистов по данным и практиков».

Что бы ты посоветовал человеку, который только начинает знакомство с ИИ?#

За последний год, посещая международные конференции, я заметил, что исследователи лесного хозяйства либо боятся сложности глубокого обучения, либо не считают, что оно может быть полезно в их исследованиях. В таких случаях я предлагал им посвятить полдня разметке данных и попробовать обучить YOLOv5, чтобы понять, насколько это мощный и простой инструмент.

Если сказать прямо, я обычно говорю: «Твой метод не работает? Тогда YOLOни его!»

Если хочешь следить за работой Стефано Пулити, загляни в его профиль на сайте NIBIO.

У тебя есть собственный пример применения YOLOv5?#

Отметь нас в соцсетях с хештегом #YOLOvME и расскажи о своём примере применения YOLOv5 — мы поделимся твоей работой с сообществом специалистов по машинному обучению.