YOLOvME: Ormanların Dijital Devrimi

Stefano Puliti, ulusal orman envanteri departmanında Norwegian Institute of Bioeconomy Research (NIBIO) bünyesinde orman uzaktan algılama alanında araştırmacıdır. NIBIO, yaklaşık 700 çalışanıyla Norveç'in en büyük araştırma enstitülerinden biridir. Araştırma ve bilgi üretimi yoluyla gıda güvenliğine, sürdürülebilir kaynak yönetimine, inovasyona ve değer yaratılmasına katkıda bulunurlar.

Araştırmalarında, modern bilgi ihtiyaçlarını yanıtlamak için gereken gelişmiş analitiği üretmek amacıyla dronlar ve mobil lazer tarama gibi diğer proksimal algılama teknikleri kullanılıyor.

Yaptığı çalışmaların büyük bir kısmı, Norveç Araştırma Konseyi ve Norveç'teki ormancılık endüstrisindeki aktörlerin çoğunluğu tarafından finanse edilen uzun vadeli bir araştırma programı olan SmartForest projesiyle gerçekleştirilmiştir. SmartForest'ın amacı; orman bilgisini, ormancılığı, orman operasyonlarını, kereste tedarikini ve endüstrideki genel dijital bilgi akışını dönüştüren dijital bir devrim sağlayarak Norveç ormancılık sektörünün verimliliğini artırmaktır.

Stefano, uzun yıllar boyunca rastgele orman (random forest) veya destek vektör makineleri gibi daha geleneksel makine öğrenimi uygulamalarıyla çalıştı. Yaklaşık üç yıl önce, orman sektörü için hala gelişme aşamasında olan derin öğrenme alanında vites yükseltme zamanının geldiğini fark etti. Araştırmacıların derin öğrenmeden elde edebilecekleri muazzam faydaları fark ettiğinden beri, Stefano drone ve makine tabanlı görme alanında birçok uygulama geliştiriyor.

Ne kadar süredir YOLOv5 kullanıyorsun?#

"2021 yazından beri kullanıyorum ve o zamandan beri bırakmadım! YOLOv5 depolarını ayağa kaldırmanın ve çalışır duruma getirmenin kolaylığı sayesinde ilk görüşte aşk gibi olduğunu söylemeliyim. Bu benim için son derece değerliydi çünkü o zamanlar python konusunda pek deneyimli değildim ve YOLOv5'in düşük öğrenme eğrisi her şeyi belirleyen faktör oldu."

Stefano, öncelikle drone görüntülerinde abiyotik (kuraklık, rüzgar, kar) veya biyotik (böcekler ve mantarlar) etkenlerin neden olduğu hasarlar yüzünden sağlık durumu kötü olan ağaçları tanımlamak için nesne algılamaya başvurmuştu. O zamandan beri, o ve meslektaşları, çukurlardan yol kenarı ve tepe tomurcuk dedektörlerine kadar tüm bir YOLOv5 dedektör ailesi geliştiriyorlar.

"YOLOv5 ile karşılaştığımda, bir süredir TensorFlow Object Detection API'de bazı nesne dedektörlerini eğitmeyi başarısızlıkla denemiştim. Sonra YOLOv5 deposuna rastladım ve (pek umudum olmasa da) bir dedektör eğitmeyi denedim ve büyük bir sürprizle, dört satır kodla öğrenme sürecini başlattım. Buna bir düşünce süreci mi yoksa şanslı bir vuruş mu denir emin değilim ama başladı."

Modellerin çoğu daha sonra ormancılık sektörüne hizmet sunmak için bulut çözümlerinde (ForestSens) dağıtılıyor. Orada kullanıcılar, örneğin YOLOv5 model ailemiz sayesinde eyleme dönüştürülebilir içgörülere dönüştürülen drone görüntülerini yükleyebiliyorlar. Eğitilmiş dedektörlerinin bazıları da ormancılık makinelerinde veya tomruk kamyonlarında uçta (edge) dağıtılıyor.

Başından beri, Stefano ve ekibi şunlara yardımcı olmak için kullanılan bir dizi YOLOv5 modeli geliştiriyordu:

1. Kereste kalitesini değerlendirme
2. Orman yolu bakım ihtiyaçlarını izleme
3. Ormandaki biyoçeşitlilikle ilgili özellikleri algılama

Ayrıca, orman sağlığı ve envanteri için drone tabanlı modellerini daha düşük çözünürlüklü hava ve uydu görüntü verilerine genişletmeyi düşünüyorlar.

En son YOLOv5 sürümleriyle, YOLOv5'in sunabileceği görüntü sınıflandırma ve anlamsal segmentasyon özelliklerini dört gözle bekliyorlar. Bu yetenekler, ormanlık ortamlardaki karmaşık bilgisayarla görü görevlerini çözme becerilerini daha da artıracaktır.

Hem modelleri eğitmek (docker sürümü) hem de model dağıtımı için kurulumun kolaylığı, YOLOv5'i onlar için harika bir seçenek haline getirdi.

“Ultralytics hakkında beni her zaman büyüleyen yönlerden biri, çekirdeğinde açık koda dayanan ve uzman olmayanların derin öğrenmenin gücüne erişmesi için ücretli ürünler sunan oldukça yeni iş modelidir. Bir bilim insanı olarak, Ultralytics'in açıklığını çok takdir ediyorum ve bunun ürünün gelişimini hızlandırmak için harika bir yol olduğunu düşünüyorum. Sonuç olarak, birçok veri bilimcisi ve uygulayıcının katkısı sayesinde YOLOv5 sürekli bir evrim içinde oldukça ciddi yükseltmeler görüyor.”

Yapay zekaya yeni başlayan birine ne önerirsin?#

Geçtiğimiz yıl uluslararası konferanslara gittiğimde, ormancılık araştırmacılarının ya derin öğrenmenin karmaşıklığından korktuklarını ya da araştırmalarında bir rol oynayabileceğini düşünmediklerini fark ettim. Tüm bu durumlarda, yarım günlük bir etiketleme yapmalarını ve gücünü ve basitliğini anlamak için bir YOLOv5 eğitmeyi denemelerini önerdim.

Bunu gerçek kelimelerle ifade etmek gerekirse aslında şunu söylüyordum: “Yöntemin çalışmıyor mu? O zaman YOLO yap!”

Stefano Puliti ve çalışmaları hakkında güncel kalmak isterseniz, NIBIO profili adresini ziyaret etmekten çekinmeyin.

Kendi YOLOv5 Kullanım Durumun mu Var?#

Kendi YOLOv5 kullanım durumunla sosyal medyamızda bizi #YOLOvME ile etiketle, çalışmalarını ML topluluğuna tanıtalım.