YOLOvME: Cuộc cách mạng số của rừng

Stefano Puliti là nhà nghiên cứu về viễn thám rừng tại Viện Nghiên cứu Kinh tế sinh học Na Uy (NIBIO), thuộc bộ phận kiểm kê rừng quốc gia. NIBIO là một trong những viện nghiên cứu lớn nhất Na Uy, với khoảng 700 nhân viên. Thông qua nghiên cứu và sản xuất tri thức, viện đóng góp vào an ninh và an toàn lương thực, quản lý tài nguyên bền vững, đổi mới và tạo ra giá trị.

Trong nghiên cứu của mình, ông sử dụng drone và các kỹ thuật cảm biến cự ly gần khác như quét laser di động để tạo ra các phân tích nâng cao cần thiết nhằm đáp ứng nhu cầu thông tin hiện đại.

Phần lớn công việc ông thực hiện thuộc dự án SmartForest, một chương trình nghiên cứu dài hạn do Hội đồng Nghiên cứu Na Uy cùng hầu hết các đơn vị trong ngành lâm nghiệp Na Uy tài trợ. Mục tiêu của SmartForest là cải thiện hiệu quả của ngành lâm nghiệp Na Uy bằng cách thúc đẩy cuộc cách mạng số, chuyển đổi thông tin rừng, lâm sinh, hoạt động lâm nghiệp, nguồn cung gỗ và toàn bộ luồng thông tin số trong ngành.

Stefano đã làm việc nhiều năm với các ứng dụng machine learning truyền thống hơn, chẳng hạn như random forest hoặc support vector machine. Khoảng ba năm trước, ông nhận ra đã đến lúc nâng tầm deep learning, lĩnh vực vẫn đang phát triển trong ngành lâm nghiệp. Sau khi nhận thấy những lợi ích to lớn mà deep learning có thể mang lại cho các nhà nghiên cứu, Stefano đã phát triển một số ứng dụng trong lĩnh vực thị giác bằng drone và máy móc.

Bạn đã sử dụng YOLOv5 được bao lâu rồi?#

"Tôi đã sử dụng YOLOv5 từ mùa hè năm 2021 và chưa bao giờ từ bỏ! Phải nói rằng đó là tình yêu “ngay từ cái nhìn đầu tiên”, nhờ việc dễ dàng khởi chạy repo YOLOv5 và bắt đầu sử dụng. Điều này vô cùng có giá trị với tôi vì lúc đó tôi chưa quen với Python và đường cong học tập thoải của YOLOv5 chính là yếu tố quyết định."

Stefano chủ yếu sử dụng phát hiện đối tượng để xác định cây kém khỏe mạnh trong ảnh chụp từ drone, do hư hại từ các tác nhân phi sinh học (hạn hán, gió, tuyết) hoặc sinh học (côn trùng và nấm). Kể từ đó, ông và các đồng nghiệp đã phát triển cả một dòng model phát hiện YOLOv5, từ phát hiện ổ gà đến mép đường và chùm lá.

"Trước khi tình cờ biết đến YOLOv5, tôi đã thử huấn luyện một số model phát hiện đối tượng bằng TensorFlow Object Detection API trong một thời gian nhưng không thành công. Sau đó, tôi tìm thấy repo YOLOv5 và (không mấy hy vọng) thử huấn luyện một model phát hiện. Thật bất ngờ, tôi bắt đầu quá trình học chỉ với bốn dòng code. Tôi không chắc có thể gọi đó là một quá trình suy nghĩ hay chỉ là một lần may mắn, nhưng mọi chuyện đã bắt đầu như vậy."

Sau đó, hầu hết model được triển khai trên giải pháp cloud ForestSens của họ để cung cấp dịch vụ cho ngành lâm nghiệp. Tại đây, người dùng có thể tải lên, chẳng hạn như ảnh drone, rồi những ảnh này được chuyển thành thông tin hữu ích nhờ nhóm model YOLOv5 của chúng tôi. Một số model phát hiện đã huấn luyện cũng được triển khai tại edge trên máy móc lâm nghiệp hoặc xe chở gỗ.

Ngay từ đầu, Stefano và nhóm của ông đã phát triển cả một loạt model YOLOv5 để hỗ trợ:

1. Đánh giá chất lượng gỗ
2. Nhu cầu giám sát để bảo trì đường lâm nghiệp
3. Phát hiện các đặc điểm liên quan đến đa dạng sinh học trong rừng

Ngoài ra, họ cũng đang tìm cách mở rộng các model dựa trên drone dùng cho đánh giá sức khỏe và kiểm kê rừng sang dữ liệu ảnh hàng không và vệ tinh có độ phân giải thấp hơn.

Với các bản phát hành YOLOv5 mới nhất, họ rất mong chờ các tính năng phân loại ảnh và phân đoạn ngữ nghĩa mà YOLOv5 có thể cung cấp. Những khả năng này sẽ mở rộng năng lực giải quyết các tác vụ thị giác máy tính phức tạp trong môi trường rừng.

Việc thiết lập dễ dàng, cả khi huấn luyện model (phiên bản Docker) lẫn khi triển khai model, đã khiến YOLOv5 trở thành lựa chọn phù hợp cho họ.

“Một trong những điều luôn khiến tôi hứng thú về Ultralytics là mô hình kinh doanh khá mới, lấy code mở làm cốt lõi và cung cấp sản phẩm trả phí để những người không chuyên có thể tiếp cận sức mạnh của deep learning. Là một nhà khoa học, tôi rất trân trọng tinh thần cởi mở của Ultralytics và cho rằng đây là cách tuyệt vời để thúc đẩy quá trình phát triển sản phẩm. Nhờ vậy, YOLOv5 liên tục được nâng cấp đáng kể và không ngừng phát triển nhờ đóng góp của nhiều nhà khoa học dữ liệu và người thực hành.”

Bạn muốn khuyên điều gì với người mới tìm hiểu AI?#

Khi tham dự các hội nghị quốc tế trong năm vừa qua, tôi nhận thấy các nhà nghiên cứu lâm nghiệp hoặc e ngại sự phức tạp của deep learning, hoặc không nghĩ rằng deep learning có thể đóng vai trò trong nghiên cứu của họ. Trong tất cả những trường hợp đó, tôi đều gợi ý họ dành nửa ngày để gán nhãn và thử huấn luyện YOLOv5 nhằm hiểu sức mạnh và sự đơn giản của model.

Nói đúng theo lời tôi thường nói: “Phương pháp của bạn không hiệu quả? Vậy thì YOLO đi!”

Nếu bạn muốn cập nhật tin tức về Stefano Puliti và công việc của ông, hãy truy cập hồ sơ NIBIO của ông.

Bạn có trường hợp sử dụng YOLOv5 của riêng mình không?#

Gắn thẻ chúng tôi với #YOLOvME trên mạng xã hội, chia sẻ trường hợp sử dụng YOLOv5 của riêng bạn và chúng tôi sẽ quảng bá công việc của bạn đến cộng đồng ML.