YOLOvME: цифровая революция в лесах

Стефано Пулити - исследователь в области дистанционного зондирования лесов в Норвежском институте исследований биоэкономики (NIBIO) в отделе национальной инвентаризации лесов. NIBIO - один из крупнейших научно-исследовательских институтов Норвегии, в котором работает около 700 сотрудников. Они вносят свой вклад в обеспечение продовольственной безопасности, устойчивое управление ресурсами, инновации и создание стоимости посредством исследований и производства знаний.

В его исследованиях беспилотники и другие методы приближенного зондирования, такие как мобильное лазерное сканирование, используются для получения передовой аналитики, необходимой для удовлетворения современных информационных потребностей.

Большая часть его работы была выполнена в рамках проекта SmartForest, который представляет собой долгосрочную исследовательскую программу, финансируемую Норвежским исследовательским советом совместно с большинством участников лесной промышленности Норвегии. Цель SmartForest - повысить эффективность норвежского лесного сектора за счет цифровой революции, которая изменит лесную информацию, лесоводство, лесозаготовки, поставки древесины и общий поток цифровой информации в отрасли.

В течение многих лет Стефано работал с более традиционными приложениями машинного обучения, такими как случайный лес или машины опорных векторов. Около трех лет назад он понял, что настало время активизировать игру в области глубокого обучения, которое все еще находится на стадии развития в лесном секторе. Осознав огромные преимущества глубокого обучения для исследователей, Стефано разработал несколько приложений в области беспилотных летательных аппаратов и машинного зрения.

Как давно вы используете YOLOv5?

"Я пользуюсь им с лета 2021 года и с тех пор не расстаюсь с ним! Должен сказать, что это была любовь "с первого взгляда", благодаря простоте получения YOLOv5 репозитория YOLOv5. Это было очень ценно для меня, потому что в то время я не был хорошо знаком с python, и неглубокая кривая обучения YOLOv5 стала решающим фактором".

Стефано прибегал к обнаружению объектов в первую очередь для того, чтобы выявлять на снимках с дронов деревья в плохом состоянии, поврежденные абиотическими (засуха, ветер, снег) или биотическими агентами (насекомые и грибки). С тех пор он и его коллеги разработали целое семейство детекторов YOLOv5, начиная от детекторов выбоин и заканчивая детекторами краев дорог и извилин.

"К тому времени, как я наткнулся на YOLOv5, я уже некоторое время безуспешно пытался обучить несколько детекторов объектов в TensorFlow Object Detection API. Затем я наткнулся на репозиторий YOLOv5 и (без особой надежды) попытался обучить детектор и, к своему огромному удивлению, запустил процесс обучения с помощью четырех строк кода. Я не уверен, что это можно назвать мыслительным процессом или, скорее, удачей, но он начался".

Большинство моделей затем развертываются в облачном решении ForestSens для предоставления услуг лесному сектору. Там пользователи могут загружать, например, изображения с беспилотников, которые затем превращаются в практические выводы благодаря нашему семейству моделей YOLOv5. Некоторые из их обученных детекторов также устанавливаются на краю леса на лесозаготовительных машинах или на лесовозах.

С самого начала Стефано и его команда разработали целую серию моделей YOLOv5, которые должны были помочь в:

1. Оценка качества древесины
2. Мониторинг потребностей в содержании лесных дорог
3. Обнаружение в лесу признаков, имеющих отношение к биоразнообразию

Кроме того, они рассматривают возможность распространения своих беспилотных моделей для оценки состояния и инвентаризации лесов на данные аэро- и спутниковых снимков с более высоким разрешением.

После выхода последних версий YOLOv5 они с нетерпением ждут возможности классификации изображений и семантической сегментации, которые может предложить YOLOv5. Эти возможности расширят их возможности по решению сложных задач компьютерного зрения в лесных условиях.

Простота настройки как для обучения моделей (docker-версия), так и для развертывания моделей сделала YOLOv5 отличным вариантом для них.

"Один из аспектов, который всегда привлекал меня в Ultralytics, - это довольно новая бизнес-модель, которая опирается на открытый код в своей основе и предлагает платные продукты для неспециалистов, чтобы получить доступ к силе глубокого обучения. Как ученый, я очень ценю открытость Ultralytics и считаю, что это отличный способ ускорить развитие продукта. В результате в YOLOv5 происходят довольно значительные обновления, и он постоянно развивается благодаря вкладу многих ученых и практиков в области данных".

Что бы вы порекомендовали новичкам в области искусственного интеллекта?

Посещая международные конференции в прошлом году, я обнаружил, что исследователи лесного хозяйства либо напуганы сложностью глубокого обучения, либо не считают, что оно может сыграть роль в их исследованиях. Во всех этих случаях я предлагал взять полдня аннотаций и попробовать обучить YOLOv5, чтобы понять его мощь и простоту.

Если выразить это фактическими словами, то я фактически сказал: "Ваш метод не работает? Тогда - YOLO!"

Если вы хотите быть в курсе событий, связанных со Стефано Пулити и его работой, не стесняйтесь следить за его аккаунтом в Twitter.

У вас есть собственный пример использования YOLOv5?

Отметьте в наших социальных сетях с помощью #YOLOvME свой собственный сценарий использования YOLOv5, и мы прорекламируем вашу работу в сообществе ML.