YOLOvME: Цифровая революция лесов

Стефано Пулити — исследователь в области дистанционного зондирования лесов в Норвежском институте исследований биоэкономики (NIBIO) в отделе национальной инвентаризации лесов. NIBIO является одним из крупнейших научно-исследовательских институтов в Норвегии, в котором работает около 700 сотрудников. Они вносят вклад в продовольственную безопасность, устойчивое управление ресурсами, инновации и создание ценности посредством исследований и производства знаний.

В своих исследованиях дроны и другие методы проксимального зондирования, такие как мобильное лазерное сканирование, используются для получения расширенной аналитики, необходимой для ответа на современные информационные потребности.

Большая часть его работы была выполнена в рамках проекта SmartForest, который является долгосрочной исследовательской программой, финансируемой Норвежским исследовательским советом совместно с большинством участников лесной промышленности в Норвегии. Цель SmartForest — повысить эффективность норвежского лесного сектора за счет цифровой революции, преобразующей лесную информацию, лесоводство, лесозаготовки, поставки древесины и общий поток цифровой информации в отрасли.

Стефано много лет работал с более традиционными приложениями машинного обучения, такими как случайный лес или машины опорных векторов. Около трех лет назад он понял, что пришло время активизировать игру в области глубокого обучения, которая все еще находится на стадии роста для лесного сектора. С тех пор как Стефано осознал огромные преимущества, которые исследователи могут извлечь из глубокого обучения, он разрабатывает несколько приложений в области машинного зрения на основе дронов.

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 YOLOv5стала 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 и извилин дороги.

"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 обслуживании лесных дорог
3. Обнаружение признаков, имеющих отношение к биоразнообразию в лесу

Кроме того, они также рассматривают возможность расширения своих моделей на основе дронов для оценки здоровья лесов и инвентаризации до данных аэрофото- и спутниковой съемки с более низким 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 Ultralyticsи считаю, что это отличный способ ускорить развитие продукта. В результате в YOLOv5 происходят довольно серьезные обновления, и он постоянно развивается благодаря вкладу многих ученых и практиков в области данных".

Что бы вы порекомендовали новичку в ИИ?

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 новостей о Стефано Пулити и его работе, подписывайтесь на его аккаунт 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.