YOLOvME: цифровая революция в лесном хозяйстве

Стефано Пулити — исследователь в области дистанционного зондирования лесов в отделе национальной инвентаризации лесов Норвежского института биоэкономических исследований (NIBIO). NIBIO — один из крупнейших исследовательских институтов Норвегии, в котором работают около 700 сотрудников. Они способствуют обеспечению продовольственной безопасности, устойчивому управлению ресурсами, инновациям и созданию ценности посредством исследований и производства знаний.

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

Большая часть выполняемой им работы была проведена в рамках проекта SmartForest — долгосрочной исследовательской программы, финансируемой Норвежским исследовательским советом совместно с большинством представителей лесной промышленности Норвегии. Цель SmartForest — повысить эффективность лесного сектора Норвегии, обеспечив цифровую революцию, которая преобразит лесную информацию, лесоводство, лесные работы, поставки древесины и общий поток цифровой информации в отрасли.

Стефано много лет работал с более традиционными приложениями машинного обучения, такими как случайный лес и метод опорных векторов. Около трёх лет назад он понял, что пришло время перейти на новый уровень в области глубокого обучения, которая всё ещё находится на стадии развития в лесном секторе. Осознав огромные преимущества, которые исследователи могут получить благодаря глубокому обучению, Стефано разрабатывает несколько приложений в области компьютерного зрения на основе дронов и машин.

Как давно ты используешь YOLOv5?#

«Я использую его с лета 2021 года и с тех пор не отказывался от него! Должен сказать, это была любовь с первого взгляда благодаря простоте запуска репозитория YOLOv5 . Для меня это было чрезвычайно важно, потому что в то время я не очень хорошо был знаком с python, а небольшая крутизна кривой обучения YOLOv5 стала решающим фактором».

Стефано обратился к обнаружению объектов главным образом для выявления на изображениях с дронов деревьев в плохом состоянии — либо из-за повреждений, вызванных абиотическими факторами (засухой, ветром, снегом), либо из-за биотических агентов (насекомых и грибков). С тех пор он и его коллеги разрабатывают целое семейство детекторов на основе YOLOv5 — от детекторов выбоин и края дороги до детекторов мутовок.

«К тому времени, когда я наткнулся на YOLOv5, я уже некоторое время безуспешно пытался обучить несколько детекторов объектов с помощью TensorFlow Object Detection API. Затем я столкнулся с репозиторием YOLOv5 и (не особенно надеясь на успех) попытался обучить детектор — и, к своему большому удивлению, начал процесс обучения с четырёх строк кода. Не уверен, можно ли назвать это мыслительным процессом или скорее удачным совпадением, но всё началось».

Затем большинство моделей разворачивается в их облачном решении ForestSens для предоставления услуг лесному сектору. Там пользователи могут, например, загружать изображения с дронов, которые затем преобразуются в практические выводы благодаря семейству моделей YOLOv5. Некоторые обученные ими детекторы также разворачиваются на периферийных устройствах — на лесозаготовительных машинах или лесовозах.

С самого начала Стефано и его команда разрабатывали целую серию моделей YOLOv5 для следующих задач:

1. Оценка качества древесины
2. Мониторинг потребностей в обслуживании лесных дорог
3. Выявление особенностей леса, важных для биоразнообразия

Кроме того, они изучают возможность расширить свои модели на основе дронов для оценки состояния и инвентаризации лесов на аэрофотоснимки и спутниковые изображения с более низким разрешением.

С выходом последних версий YOLOv5 они с большим интересом ждут появления в YOLOv5 классификации изображений и семантической сегментации. Эти возможности расширят их способность решать сложные задачи компьютерного зрения в лесной среде.

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

«Один из аспектов, который всегда восхищал меня в Ultralytics, — это довольно новая бизнес-модель, в основе которой лежит открытый код, а платные продукты позволяют неспециалистам получить доступ к возможностям глубокого обучения. Как учёный, я очень ценю открытость Ultralytics и считаю, что это отличный способ ускорить разработку продукта. В результате YOLOv5 претерпевает довольно значительные обновления и постоянно развивается благодаря вкладу многих специалистов по анализу данных и практиков».

Что бы ты порекомендовал человеку, который только начинает заниматься AI?#

Посещая международные конференции в прошлом году, я обнаружил, что исследователи в области лесного хозяйства либо боятся сложности глубокого обучения, либо не считают, что оно может сыграть роль в их исследованиях. Во всех таких случаях я предлагал потратить полдня на разметку и попробовать обучить YOLOv5, чтобы понять его возможности и простоту.

Если передать мои слова буквально, я говорил: «Твой метод не работает? Тогда YOLO его!»

Если ты хочешь быть в курсе работы Стефано Пулити, загляни в его профиль NIBIO.

У тебя есть собственный пример применения YOLOv5?#

Отметь нас хэштегом #YOLOvME в социальных сетях и поделись своим примером применения YOLOv5 — мы расскажем о твоей работе ML-сообществу.