YOLOvME: Ormanların Dijital Devrimi
Stefano Puliti'nin YOLOv5 kullanarak drone tabanlı tespit ve ormancılık analitiğiyle yürüttüğü dönüştürücü orman araştırmasını keşfet.
Stefano Puliti, ulusal orman envanteri departmanında Norveç Biyoekonomi Araştırma Enstitüsü'nde (NIBIO) ormanların uzaktan algılanması alanında araştırmacıdır. NIBIO, yaklaşık 700 çalışanıyla Norveç'in en büyük araştırma enstitülerinden biridir. Araştırma ve bilgi üretimi yoluyla gıda güvenliği ve emniyetine, sürdürülebilir kaynak yönetimine, inovasyona ve değer yaratımına katkıda bulunur.
Araştırmalarında, modern bilgi ihtiyaçlarını karşılamak için gereken gelişmiş analizleri üretmek üzere drone'lar ve mobil lazer tarama gibi diğer yakın mesafeli algılama teknikleri kullanılıyor.
Yaptığı çalışmaların önemli bir bölümü, Norveç Araştırma Konseyi ile Norveç'teki orman endüstrisi aktörlerinin çoğu 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 sektöründe hâlâ gelişme aşamasında olan derin öğrenme alanında ilerleme zamanının geldiğini fark etti. Araştırmacıların derin öğrenmeden elde edebileceği büyük faydaları fark ettiğinden beri Stefano, drone ve makine tabanlı görme alanında çeşitli uygulamalar geliştiriyor.
YOLOv5'i ne kadar zamandır kullanıyorsun?#
*"2021 yazından beri kullanıyorum ve o zamandan beri de bırakmadım! YOLOv5 reposunu çalışır hâle getirmenin kolaylığı sayesinde bunun “ilk görüşte” aşk olduğunu söylemeliyim. O sırada Python'a pek aşina olmadığım için bu benim açımdan son derece değerliydi ve YOLOv5'in sığ öğrenme eğrisi kararımı kesinleştirdi."
Stefano, öncelikle abiyotik (kuraklık, rüzgâr, kar) veya biyotik etkenlerin (böcekler ve mantarlar) neden olduğu hasar nedeniyle sağlık durumu kötü olan ağaçları drone görüntülerinde tespit etmek için nesne tespitine başvurdu. O zamandan beri kendisi ve meslektaşları, çukurlardan yol kenarlarına ve ağaç dal katmanlarına kadar uzanan bütün bir YOLOv5 dedektörleri ailesi geliştiriyor.
"YOLOv5 ile karşılaştığımda, bir süredir TensorFlow Object Detection API'de bazı nesne dedektörlerini eğitmeyi başarısız bir şekilde denemiştim. Sonra YOLOv5 reposuna rastladım ve (pek umutlu olmadan) bir dedektörü eğitmeyi denedim; büyük bir şaşkınlıkla, öğrenme sürecine dört satır kodla başladım. Buna bir düşünce süreci mi, yoksa talihli bir tesadüf mü denir, emin değilim ama süreç başladı."
Modellerin çoğu, orman sektörüne hizmet sunmak üzere bulut çözümlerinde (ForestSens) dağıtılıyor. Kullanıcılar burada, örneğin drone görüntülerini yükleyebiliyor ve bu görüntüler YOLOv5 model ailemiz sayesinde eyleme dönüştürülebilir içgörülere çevriliyor. Eğitilmiş dedektörlerinden bazıları da ormancılık makinelerinde veya tomruk kamyonlarında uçta dağıtılıyor.
Stefano ve ekibi, başlangıçtan beri aşağıdaki alanlarda yardımcı olmak üzere bütün bir YOLOv5 modelleri serisi geliştiriyor:
- Kereste kalitesini değerlendirmek
- Orman yolu bakım gereksinimlerini izlemek
- Ormandaki biyoçeşitlilik açısından önemli özellikleri tespit etmek
Ayrıca drone tabanlı orman sağlığı ve envanter modellerini, daha düşük çözünürlüklü hava ve uydu görüntüsü verilerine genişletme olanaklarını da araştırıyorlar.
En yeni YOLOv5 sürümleri ile YOLOv5'in sunabileceği görüntü sınıflandırma ve anlamsal segmentasyon özelliklerini büyük bir heyecanla bekliyorlar. Bu yetenekler, ormanlık ortamlardaki karmaşık bilgisayarlı görü görevlerini çözme becerilerini geliştirecek.
Hem modelleri eğitmek (docker sürümü) hem de model dağıtımı için kurulumun kolay olması, YOLOv5'i onlar için harika bir seçenek hâline getirdi.
“Ultralytics hakkında beni her zaman büyüleyen yönlerden biri, özünde açık koda dayanan ve uzman olmayan kişilerin derin öğrenmenin gücüne erişmesini sağlayan ücretli ürünler sunan oldukça yeni iş modelidir. Bir bilim insanı olarak Ultralytics'in açıklığını çok takdir ediyorum ve bunun ürün geliştirmeyi hızlandırmanın harika bir yolu olduğunu düşünüyorum. Bunun sonucunda YOLOv5, birçok veri bilimcinin ve uygulamacının katkıları sayesinde sürekli gelişerek oldukça kapsamlı yükseltmeler görüyor.”
Yapay zekâya yeni başlayan birine ne önermek istersin?#
Geçtiğimiz yıl uluslararası konferanslara katılırken, ormancılık araştırmacılarının ya derin öğrenmenin karmaşıklığından korktuğunu ya da bunun araştırmalarında bir rol oynayabileceğini düşünmediğini gördüm. Tüm bu durumlarda, gücünü ve basitliğini anlamak için yarım günlerini veri etiketlemeye ayırmalarını ve bir YOLOv5 eğitmeyi denemelerini önerdim.
Bunu gerçekten söylediğim şekliyle ifade etmek gerekirse: “Yöntemin çalışmıyor mu? O zaman YOLO'la!”
Stefano Puliti ve çalışmalarından haberdar olmak istersen NIBIO profilini ziyaret edebilirsin.
Kendi YOLOv5 Kullanım Senaryon Var mı?#
Kendi YOLOv5 kullanım senaryonla sosyal medyada bizi #YOLOvME etiketiyle etiketle; çalışmanı ML topluluğuna tanıtalım.
