YOLOvME: цифровая революция лесов

Стефано Пулити — исследователь в области дистанционного зондирования лесов в Норвежском институте биоэкономических исследований (NIBIO) в отделе национальной инвентаризации лесов. NIBIO — один из крупнейших исследовательских институтов в Норвегии, насчитывающий около 700 сотрудников. Он вносит свой вклад в продовольственную безопасность, устойчивое управление ресурсами, инновации и создание стоимости посредством исследований и производства знаний.

В своих исследованиях он использует дроны и другие методы проксимального зондирования, такие как мобильное лазерное сканирование, для получения продвинутой аналитики, необходимой для удовлетворения современных информационных потребностей.

Большая часть его работы выполнялась в рамках проекта SmartForest, который представляет собой долгосрочную исследовательскую программу, финансируемую Норвежским исследовательским советом совместно с большинством участников лесной промышленности Норвегии. Целью SmartForest является повышение эффективности лесного сектора Норвегии за счет цифровой революции, преобразующей информацию о лесах, лесоводство, лесозаготовительные работы, поставки древесины и общий поток цифровой информации в отрасли.

Стефано много лет работал с более традиционными приложениями машинного обучения, такими как случайные леса или метод опорных векторов. Около трех лет назад он понял, что пришло время повысить уровень в области глубокого обучения, которая в лесном секторе все еще находится на стадии роста. Осознав огромные преимущества, которые исследователи могут извлечь из глубокого обучения, Стефано начал разрабатывать несколько приложений в области машинного зрения и зрения на базе дронов.

Как давно ты используешь YOLOv5?#

"Я пользуюсь им с лета 2021 года и не бросаю до сих пор! Должен сказать, это была любовь с первого взгляда благодаря тому, как легко запустить репозиторий YOLOv5. Это было чрезвычайно ценно для меня, так как в то время я был не слишком знаком с Python, и пология кривая обучения YOLOv5 стала решающим фактором".

Стефано прибегнул к объектному детектированию прежде всего для выявления на снимках с дронов деревьев в плохом состоянии из-за ущерба, вызванного абиотическими (засуха, ветер, снег) или биотическими агентами (насекомые и грибки). С тех пор он и его коллеги разработали целое семейство детекторов на базе YOLOv5, от детекторов выбоин до детекторов края дороги и мутовок деревьев.

"К тому моменту, когда я наткнулся на YOLOv5, я уже некоторое время безуспешно пытался обучить детекторы объектов с помощью TensorFlow Object Detection API. Затем я зашел в репозиторий YOLOv5 и (без особой надежды) попробовал обучить детектор, и, к моему большому удивлению, я запустил процесс обучения с помощью четырех строк кода. Не уверен, можно ли это назвать мыслительным процессом или скорее удачей, но дело пошло."

Большинство моделей затем развертываются в их облачном решении (ForestSens) для предоставления услуг лесному сектору. Там пользователи могут, например, загружать снимки с дронов, которые затем превращаются в полезные выводы благодаря нашему семейству моделей YOLOv5. Некоторые из их обученных детекторов также развертываются на границе сети (edge) на лесозаготовительных машинах или лесовозах.

С самого начала Стефано и его команда разрабатывали целую серию моделей YOLOv5 для помощи в:

1. Оценке качества древесины
2. Мониторинге необходимости обслуживания лесных дорог
3. Выявлении особенностей, важных для биоразнообразия леса

Кроме того, они рассматривают возможность расширения своих моделей на базе дронов для оценки состояния и инвентаризации лесов на данные аэро- и спутниковых снимков с более низким разрешением.

С последними релизами YOLOv5 они с большим нетерпением ждут классификацию изображений и семантическую сегментацию, которые может предложить YOLOv5. Эти возможности расширят их способность решать сложные задачи 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 восхищал меня в Ultralytics, — это довольно новая бизнес-модель, основанная на открытом коде и предлагающая платные продукты для специалистов, не обладающих глубокими знаниями, чтобы они могли получить доступ к мощи глубокого обучения. Как ученый, я очень ценю открытость Ultralytics и считаю, что это отличный способ ускорить разработку продукта. В результате YOLOv5 претерпевает довольно радикальные обновления в постоянной эволюции благодаря вкладу многих специалистов по данным и практиков."

Что бы ты хотел порекомендовать тому, кто только начинает знакомство с ИИ?#

Посещая международные конференции в течение последнего года, я обнаружил, что исследователи лесного хозяйства либо напуганы сложностью глубокого обучения, либо не думают, что оно может играть роль в их исследованиях. Во всех этих случаях я предлагал потратить полдня на разметку и попытаться обучить YOLOv5, чтобы понять его мощь и простоту.

Если говорить буквально, я говорил следующее: «Твой метод не работает? Тогда YOLO его!»

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

У тебя есть свой вариант использования YOLOv5?#

Отметь нас тегом #YOLOvME в социальных сетях, рассказав о своем собственном сценарии использования YOLOv5, и мы расскажем о твоей работе сообществу ML.