YOLOvME: Ormanların Dijital Devrimi

Stefano Puliti, ulusal orman envanteri departmanında Norveç Biyoekonomi Araştırma Enstitüsü'nde (NIBIO) orman uzaktan algılama araştırmacısıdır. NIBIO, yaklaşık 700 çalışanıyla Norveç'in en büyük araştırma enstitülerinden biridir. Araştırma ve bilgi üretimi yoluyla gıda güvenliği ve emniyeti, sürdürülebilir kaynak yönetimi, inovasyon ve değer yaratmaya katkıda bulunurlar.

Araştırmasında, modern bilgi ihtiyaçlarını karşılamak için gereken gelişmiş analizleri üretmek için dronlar ve mobil lazer tarama gibi diğer yakın algılama teknikleri kullanılmaktadır.

Yaptığı çalışmaların çoğu, Norveç Araştırma Konseyi ve Norveç'teki orman endüstrisi aktörlerinin çoğu tarafından finanse edilen uzun vadeli bir araştırma programı olan SmartForest projesi ile yapılmıştır. SmartForest'ın amacı, orman bilgilerini, silvikültürü, orman operasyonlarını, odun tedarikini ve sektördeki genel dijital bilgi akışını dönüştüren bir dijital devrimi mümkün kılarak Norveç orman sektörünün verimliliğini artırmaktır.

Stefano, uzun yıllar boyunca rastgele ormanlar veya destek vektör makineleri gibi daha geleneksel makine öğrenimi uygulamalarıyla çalıştı. Yaklaşık üç yıl önce, orman sektörü için hala gelişmekte olan derin öğrenme alanında çıtayı yükseltme zamanının geldiğini fark etti. Araştırmacıların derin öğrenmeden elde edebileceği muazzam faydaları fark ettiğinden beri Stefano, drone ve makine tabanlı görüntü işleme alanında çeşitli uygulamalar geliştiriyor.

Ne kadar süredir YOLOv5 kullanıyorsunuz?

"2021 yazından beri kullanıyorum ve o zamandan beri de bırakmadım! YOLOv5 repo'sunu kurup çalıştırmanın kolaylığı sayesinde ilk görüşte bir aşk olduğunu söylemeliyim. Bu benim için son derece değerliydi çünkü o zamanlar python'a çok aşina değildim ve YOLOv5'in sığ öğrenme eğrisi anlaşmayı sağlayan şeydi."

Stefano, öncelikle drone görüntülerinde abiyotik (kuraklık, rüzgar, kar) veya biyotik etkenlerin (böcekler ve mantarlar) neden olduğu hasar nedeniyle sağlığı bozulmuş ağaçları tespit etmek için nesne tespitine başvurmuştu. O zamandan beri, kendisi ve meslektaşları, çukurlardan yol kenarına ve tekerlek dedektörlerine kadar tüm bir YOLOv5 dedektör ailesi geliştiriyorlar.

"YOLOv5'e rastladığımda, bir süredir TensorFlow Object Detection API'sinde bazı nesne dedektörlerini eğitmek için başarısız bir şekilde uğraşmıştım. Sonra YOLOv5 repo'suna rastladım ve (çok umutlu olmadan) bir dedektörü eğitmeyi denedim ve büyük bir sürprizle, dört satır kodla öğrenme sürecine başladım. Bunun bir düşünce süreci mi yoksa şans eseri mi olduğunu bilmiyorum ama böyle başladı."

Modellerin çoğu daha sonra orman sektörüne hizmet sunmak için bulut çözümlerinde (ForestSens) konuşlandırılır. Orada, kullanıcılar örneğin drone görüntülerini yükleyebilir ve bu görüntüler daha sonra YOLOv5 model ailemiz sayesinde eyleme geçirilebilir içgörülere dönüştürülür. Eğitilmiş dedektörlerinden bazıları da ormancılık makinelerinde veya tomruk kamyonlarında uçta konuşlandırılır.

Başlangıçtan beri, Stefano ve ekibi, aşağıdakilere yardımcı olmak için kullanılacak bir dizi YOLOv5 modeli geliştiriyorlardı:

1. Kereste kalitesini değerlendirme
2. Orman yolu bakımı için ihtiyaçları izleyin
3. Ormanda biyoçeşitlilikle ilgili özellikleri tespit etme

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

En son YOLOv5 sürümleri ile, YOLOv5'in sunabileceği görüntü sınıflandırması ve semantik segmentasyonu dört gözle bekliyorlar. Bu yetenekler, ormanlık ortamlarda karmaşık bilgisayarlı görü görevlerini çözme yeteneklerini genişletecektir.

Modelleri eğitmek (docker versiyonu) ve model dağıtımı için kurulum kolaylığı, YOLOv5'i onlar için harika bir seçenek haline getirdi.

"Ultralytics hakkında beni her zaman büyüleyen yönlerden biri, özünde açık koda dayanan ve uzman olmayanların derin öğrenmenin gücüne erişmesi için ücretli ürünler sunan oldukça yeni iş modelidir. Bir bilim insanı olarak, Ultralytics'in açıklığına çok değer veriyorum ve ürünün gelişimini hızlandırmak için harika bir yol olduğunu düşünüyorum. Sonuç olarak, YOLOv5, birçok veri bilimcisi ve uygulayıcının katkısıyla sürekli evrimde oldukça önemli yükseltmeler görüyor."

Yapay zekaya yeni başlayan birine ne tavsiye edersiniz?

Geçtiğimiz yıl uluslararası konferanslara katılırken, ormancılık araştırmacılarının ya derin öğrenmenin karmaşıklığından korktuklarını ya da araştırmalarında bir rol oynayabileceğini düşünmediklerini gördüm. Tüm bu durumlarda, gücünü ve basitliğini anlamak için yarım gün etiketleme yapıp bir YOLOv5 eğitmeyi denemelerini önerdim.

Bunu gerçek kelimelerle ifade edecek olursam aslında şunu diyordum: “Yönteminiz işe yaramıyor mu? O zaman YOLO'layın!”

Stefano Puliti ve çalışmaları hakkında güncel kalmak isterseniz, Twitter hesabını takip edebilirsiniz.

Kendi YOLOv5 Kullanım Durumunuz Var mı?

Kendi YOLOv5 kullanım örneğinizle sosyal medyada #YOLOvME etiketiyle bizi etiketleyin, biz de çalışmanızı ML topluluğuna tanıtalım.