YOLOvME: Cuộc Cách Mạng Số trong 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 ở Na Uy với khoảng 700 nhân viên. Họ đóng góp vào an ninh và an toàn thực phẩm, quản lý tài nguyên bền vững, đổi mới và tạo ra giá trị thông qua nghiên cứu và sản xuất kiến thức.

Trong nghiên cứu của mình, máy bay không người lái và các kỹ thuật cảm biến gần khác như quét laser di động được sử dụng để tạo ra các phân tích nâng cao cần thiết để đáp ứng nhu cầu thông tin hiện đại.

Phần lớn công việc anh ấy đã làm được thực hiện với dự án SmartForest, một chương trình nghiên cứu dài hạn được tài trợ bởi Hội đồng Nghiên cứu Na Uy cùng với hầu hết các tác nhân trong ngành lâm nghiệp ở Na Uy. Mục tiêu của SmartForest là cải thiện hiệu quả của ngành lâm nghiệp Na Uy bằng cách cho phép một cuộc cách mạng kỹ thuật số chuyển đổi thông tin rừng, lâm sinh, hoạt động lâm nghiệp, cung cấp gỗ và luồng thông tin kỹ thuật số tổng thể trong ngành.

Stefano đã làm việc nhiều năm với các ứng dụng machine learning truyền thống hơn như random forest hoặc support vector machine. Khoảng ba năm trước, ông nhận ra rằng đã đến lúc phải nâng cao trình độ trong lĩnh vực deep learning, lĩnh vực này vẫn đang trong giai đoạn phát triển đối với ngành lâm nghiệp. Kể từ khi nhận ra những lợi ích to lớn mà các nhà nghiên cứu có thể rút ra từ deep learning, Stefano đã phát triển một số ứng dụng trong lĩnh vực thị giác máy và máy bay không người lái.

Bạn đã sử dụng YOLOv5 được bao lâu rồi?

"Tôi đã sử dụng nó từ mùa hè năm 2021 và không từ bỏ nó kể từ đó! Tôi phải nói rằng, đó là một tình yêu từ “cái nhìn đầu tiên” nhờ sự dễ dàng trong việc thiết lập và chạy YOLOv5 repo. Điều này cực kỳ có giá trị đối với tôi vì vào thời điểm đó, tôi không quen thuộc lắm với python và đường cong học tập thoai thoải của YOLOv5 là yếu tố quyết định."

Stefano đã sử dụng object detection chủ yếu để xác định trên ảnh chụp từ máy bay không người lái những cây có tình trạng sức khỏe kém do thiệt hại gây ra bởi các tác nhân vô sinh (hạn hán, gió, tuyết) hoặc sinh vật (côn trùng và nấm). Kể từ đó, ông và các đồng nghiệp đã phát triển một loạt các detector YOLOv5, từ ổ gà đến mép đường và detector vòng xoáy.

"Trước khi tôi tình cờ biết đến YOLOv5, tôi đã không thành công trong việc huấn luyện một số trình phát hiện đối tượng trong TensorFlow Object Detection API trong một thời gian. Sau đó, tôi bắt gặp kho lưu trữ YOLOv5 và (không mấy hy vọng) đã thử huấn luyện một trình phát hiện và thật ngạc nhiên, tôi đã bắt đầu quá trình học với bốn dòng mã. Tôi không chắc có thể định nghĩa nó như một quá trình suy nghĩ hay đúng hơn là một sự may mắn, nhưng nó đã bắt đầu."

Hầu hết các mô hình sau đó được triển khai trên giải pháp đám mây của họ (ForestSens) để cung cấp dịch vụ cho ngành lâm nghiệp. Tại đó, người dùng có thể tải lên, ví dụ như ảnh chụp từ máy bay không người lái, sau đó được chuyển thành thông tin chi tiết hữu ích nhờ dòng mô hình YOLOv5 của chúng tôi. Một số bộ dò tìm đã được huấn luyện của họ cũng được triển khai ở biên (edge) trên các máy móc lâm nghiệp hoặc trên xe tải chở gỗ.

Kể từ khi bắt đầu, Stefano và nhóm của anh ấy đã phát triển một loạt các mô hình YOLOv5 để được sử dụng để giúp:

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

Hơn nữa, họ cũng đang xem xét mở rộng các mô hình dựa trên máy bay không người lái của mình để theo dõi sức khỏe rừng và kiểm kê sang dữ liệu ảnh vệ tinh và trên không có độ phân giải thô hơn.

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

Sự dễ dàng thiết lập cho cả việc huấn luyện mô hình (phiên bản docker), cũng như cho việc triển khai mô hình đã khiến YOLOv5 trở thành một lựa chọn tuyệt vời cho họ.

"Một trong những khía cạnh mà tôi luôn bị cuốn hút ở Ultralytics là mô hình kinh doanh khá mới, dựa trên mã nguồn mở làm cốt lõi và cung cấp các sản phẩm trả phí để những người không chuyên có thể tiếp cận sức mạnh của deep learning. Là một nhà khoa học, tôi đánh giá rất cao sự cởi mở của Ultralytics và tôi thấy rằng đó là một cách tuyệt vời để đẩy nhanh quá trình phát triển sản phẩm. Kết quả là, YOLOv5 đang chứng kiến những nâng cấp khá mạnh mẽ trong quá trình phát triển liên tục nhờ sự đóng góp của nhiều nhà khoa học dữ liệu và các chuyên gia."

Bạn muốn giới thiệu gì cho người mới bắt đầu làm quen với AI?

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

Để diễn đạt bằng những lời thực tế mà tôi thực sự đã nói: “Phương pháp của bạn không hiệu quả? Vậy thì YOLO nó đi!”

Nếu bạn muốn cập nhật những thông tin mới nhất về Stefano Puliti và các công trình của ông, hãy theo dõi tài khoản Twitter của ông.

Bạn có Use Case YOLOv5 của riêng mình không?

Hãy gắn thẻ chúng tôi bằng #YOLOvME trên phương tiện truyền thông xã hội của chúng tôi với trường hợp sử dụng YOLOv5 của riêng bạn và chúng tôi sẽ quảng bá công việc của bạn đến cộng đồng ML.