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 долго вы используете YOLOv5?

"Я использую его с лета 2021 года и с тех пор не отказывался! Должен сказать, что это была любовь с “первого взгляда” благодаря простоте запуска YOLOv5. Это было чрезвычайно ценно для меня, потому что в то время я не был очень знаком с Python, и несложная кривая обучения YOLOv5 стала решающим фактором."

Стефано прибегнул к обнаружению объектов в первую очередь для выявления на снимках с дронов деревьев в плохом состоянии из-за повреждений, вызванных абиотическими (засуха, ветер, снег) или биотическими агентами (насекомые и грибы). С тех пор он и его коллеги разрабатывают целое семейство детекторов YOLOv5, от выбоин до краев дорог и детекторов мутовок.

"К тому времени, как я наткнулся на YOLOv5, я безуспешно пытался обучить несколько детекторов объектов в TensorFlow Object Detection API в течение некоторого времени. Затем я наткнулся на репозиторий YOLOv5 и (без особой надежды) попытался обучить детектор, и, к моему большому удивлению, я начал процесс обучения с четырьмя строками кода. Я не уверен, можно ли определить это как мыслительный процесс или, скорее, как удачную находку, но это началось именно так."

Большинство моделей затем развертываются в их облачном решении (ForestSens) для предоставления услуг лесному сектору. Там пользователи могут загружать, например, изображения с дронов, которые затем превращаются в практически полезную информацию благодаря нашему семейству моделей YOLOv5. Некоторые из их обученных детекторов также развертываются на периферии на лесозаготовительных машинах или лесовозах.

С самого начала Стефано и его команда разрабатывали целую серию моделей YOLOv5, которые должны были использоваться для помощи 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.

С последними выпусками YOLOv5 они с большим нетерпением ждут классификации изображений и семантической сегментации, которые может предложить YOLOv5. Эти возможности расширят их способность решать сложные задачи компьютерного зрения в лесных массивах.

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

“Одним из аспектов, который всегда восхищал меня в Ultralytics, является довольно новая бизнес-модель, основанная на открытом коде и предлагающая платные продукты для неспециалистов, чтобы получить доступ к возможностям 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 вы порекомендовали новичку в 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 аннотацию и попытаться обучить YOLOv5, чтобы понять ее мощь и простоту.

Чтобы выразить это словами, которые я действительно говорил: «Ваш метод не работает? Тогда YOLO it!»

Если вы хотите быть в курсе новостей о Стефано Пулити и его работе, подписывайтесь на его аккаунт в Twitter.

У вас есть свой вариант использования YOLOv5?

Отмечайте нас хэштегом #YOLOvME в социальных сетях, делитесь своими вариантами использования YOLOv5, и мы будем продвигать ваши работы в ML-сообществе.