YOLOvME: Ormanlarda Dijital Devrim

Stefano Puliti, ulusal orman envanteri bölümünde Norveç Biyoekonomi Araştırma Enstitüsü'nde (NIBIO) ormanların uzaktan algılanması üzerine çalışan bir araştırmacıdır. NIBIO, yaklaşık 700 çalışanıyla Norveç'in en büyük araştırma enstitülerinden biridir. Araştırma ve bilgi üretimi aracılığıyla gıda güvenliğine, sürdürülebilir kaynak yönetimine, yeniliğe ve değer yaratımına katkıda bulunur.

Araştırmalarında, günümüzün bilgi ihtiyaçlarını karşılamak için gereken gelişmiş analizleri üretmek amacıyla drone'lar ve mobil lazer tarama gibi diğer yakın mesafeli algılama teknikleri kullanılıyor.

Yaptığı çalışmaların büyük bölümü, Norveç Araştırma Konseyi ve Norveç'teki orman endüstrisinin çoğu aktörü tarafından finanse edilen uzun vadeli bir araştırma programı olan SmartForest projesi kapsamında yürütüldü. SmartForest'ın amacı; orman bilgilerini, ormancılığı, orman operasyonlarını, odun tedarikini ve sektördeki genel dijital bilgi akışını dönüştürecek bir dijital devrimi mümkün kılarak Norveç orman sektörünün verimliliğini artırmaktır.

Stefano, uzun yıllar rastgele orman veya destek vektör makineleri gibi daha geleneksel makine öğrenimi uygulamalarıyla çalıştı. Yaklaşık üç yıl önce, orman sektörü için hâlâ gelişme aşamasında olan derin öğrenme alanında vites yükseltme zamanının geldiğini fark etti. Araştırmacıların derin öğrenmeden elde edebileceği muazzam faydaları gördükten sonra Stefano, drone ve makine tabanlı görü alanlarında çeşitli uygulamalar geliştiriyor.

YOLOv5'i ne zamandır kullanıyorsun?#

"2021 yazından beri kullanıyorum ve o zamandan beri hiç vazgeçmedim! Şunu söylemeliyim ki, YOLOv5 deposunu kurup çalıştırmanın kolaylığı sayesinde ilk görüşte aşık oldum. O zamanlar Python'a pek aşina olmadığım için bu benim için son derece değerliydi; YOLOv5'in öğrenme eğrisinin kolay olması da kararımı belirleyen etken oldu."

Stefano, abiyotik (kuraklık, rüzgâr, kar) veya biyotik etkenlerin (böcekler ve mantarlar) neden olduğu hasarlar yüzünden sağlık durumu kötüleşen ağaçları drone görüntülerinde belirlemek için öncelikle nesne algılamaya başvurmuştu. O zamandan beri Stefano ve çalışma arkadaşları, çukurlardan yol kenarlarına ve ağaç tepelerine kadar farklı nesneleri algılayan YOLOv5 dedektörlerinden oluşan geniş bir aile geliştiriyor.

"YOLOv5 ile karşılaşmadan önce TensorFlow Object Detection API'de bazı nesne algılayıcılarını eğitmeyi bir süre denemiş ama başarılı olamamıştım. Sonra YOLOv5 deposuna rastladım ve pek umudum olmadan bir algılayıcı eğitmeyi denedim. Büyük bir şaşkınlıkla, öğrenme sürecine dört satır kodla başladım. Bunun bir düşünce süreci mi yoksa şanslı bir keşif mi olduğunu söyleyemem ama her şey böyle başladı."

Modellerin çoğu, orman sektörüne hizmet sunmak için bulut çözümleri ForestSens'te devreye alınıyor. Kullanıcılar buraya örneğin drone görüntüleri yükleyebiliyor; bu görüntüler de YOLOv5 model ailemiz sayesinde eyleme dönüştürülebilir içgörülere çevriliyor. Eğitimden geçirilen algılayıcıların bazıları ayrıca ormancılık makinelerinde veya tomruk kamyonlarında uçta çalıştırılıyor.

Stefano ve ekibi, başlangıçtan beri aşağıdaki konularda yardımcı olması için bir dizi YOLOv5 modeli geliştiriyor:

1. Kereste kalitesini değerlendirme
2. Orman yollarının bakımı için izleme ihtiyaçları
3. Ormandaki biyolojik çeşitlilik açısından önemli özellikleri algılama

Ayrıca drone tabanlı orman sağlığı ve envanter modellerini daha düşük çözünürlüklü hava ve uydu görüntüsü verilerine uyarlamanın yollarını da araştırıyorlar.

En yeni YOLOv5 sürümleriyle, YOLOv5'in sunabileceği görüntü sınıflandırma ve anlamsal segmentasyon özelliklerini dört gözle bekliyorlar. Bu özellikler, ormanlık ortamlardaki karmaşık bilgisayarlı görü görevlerini çözme kapasitelerini artıracak.

Hem modelleri eğitmenin (Docker sürümü) hem de modeli dağıtıma almanın kolay olması, YOLOv5'i onlar için harika bir seçenek hâline getirdi.

“Ultralytics hakkında beni her zaman etkileyen yönlerden biri, özünde açık koda dayanan ve uzman olmayan kişilerin derin öğrenme gücünden yararlanmasını sağlayan ücretli ürünler sunan görece yeni iş modeli. Bir bilim insanı olarak Ultralytics'in açıklığını çok takdir ediyorum ve bunun ürün geliştirmeyi hızlandırmak için harika bir yol olduğunu düşünüyorum. Sonuç olarak YOLOv5, çok sayıda veri bilimci ve uygulayıcının katkıları sayesinde sürekli gelişiyor ve oldukça kapsamlı güncellemeler alıyor.”

Yapay zekâya yeni başlayan birine ne önerirsin?#

Geçen yıl uluslararası konferanslara katıldığımda, ormancılık araştırmacılarının ya derin öğrenmenin karmaşıklığından korktuğunu ya da bunun araştırmalarında rol oynayabileceğini düşünmediğini gördüm. Bu durumların hepsinde, yönteminin gücünü ve basitliğini anlamak için yarım günlerini etiketleme yapmaya ayırmalarını ve bir YOLOv5 modelini eğitmeyi denemelerini önerdim.

Bunu tam da söylediğim sözlerle ifade edecek olursam: “Yöntemin işe yaramıyor mu? O zaman YOLO'la!”

Stefano Puliti ve çalışmaları hakkında güncel bilgi almak istersen NIBIO profilini ziyaret edebilirsin.

Senin de Bir YOLOv5 Kullanım Senaryon Var mı?#

Kendi YOLOv5 kullanım senaryonu sosyal medyamızda #YOLOvME etiketiyle paylaş; çalışmanı makine öğrenimi topluluğuna tanıtalım.