YOLOvME: Cuộc Cách mạng Số của Rừng

Stefano Puliti là một 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. Viện đóng góp cho an ninh và an toàn lương thực, quản lý tài nguyên bền vững, đổi mới và tạo ra giá trị thông qua hoạt động nghiên cứu và sản xuất tri thức.

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

Phần lớn công việc của anh được thực hiện trong khuôn khổ dự án SmartForest, một chương trình nghiên cứu dài hạn được Hội đồng Nghiên cứu Na Uy cùng với hầu hết các doanh nghiệp trong ngành lâm nghiệp Na Uy tài trợ. Mục tiêu của SmartForest là nâng cao hiệu quả của lĩnh vực lâm nghiệp Na Uy bằng cách thúc đẩy một 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, anh nhận ra đã đến lúc đẩy mạnh lĩnh vực deep learning, lĩnh vực vẫn đang trong giai đoạn phát triển đối với ngành lâm nghiệp. Kể từ khi nhận thấy những lợi ích to lớn mà các nhà nghiên cứu có thể đạt được từ deep learning, Stefano đã phát triển một số ứng dụng trong lĩnh vực thị giác máy tính dựa trên drone và máy móc.

Bạn đã sử dụng YOLOv5 được bao lâu?#

"Tôi đã sử dụng nó từ mùa hè năm 2021 và chưa từng từ bỏ nó kể từ đó! Phải nói rằng đó là tình yêu “từ cái nhìn đầu tiên” nhờ việc đưa repo YOLOv5 vào hoạt động rất dễ dàng. Điều này vô cùng có giá trị với tôi vì vào thời điểm đó tôi chưa thật sự quen với Python, và đường cong học tập thoải của YOLOv5 chính là yếu tố quyết định."

Stefano chủ yếu sử dụng object detection để xác định trong ảnh chụp bằng drone những cây có tình trạng sức khỏe kém, do thiệt hại gây ra bởi các tác nhân phi sinh học (hạn hán, gió, tuyết) hoặc sinh học (côn trùng và nấm). Kể từ đó, anh và các đồng nghiệp đã phát triển cả một họ detector YOLOv5, từ detector ổ gà đến detector mép đường và detector đốt cành.

"Trước khi tình cờ biết đến YOLOv5, tôi đã nhiều lần thử huấn luyện một số object detector trong TensorFlow Object Detection API nhưng không thành công. Sau đó, tôi bắt gặp repo YOLOv5 và (không đặt nhiều hy vọng) thử huấn luyện một detector. 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 đúng hơn là một lần may mắn, nhưng mọi chuyện đã bắt đầu như vậy."

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

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

1. Đánh giá chất lượng gỗ
2. Theo dõi nhu cầu 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 ảnh vệ tinh có độ phân giải thấp hơn.

Với các bản phát hành YOLOv5 mới nhất, họ rất mong đợi các tính năng image classification và semantic segmentation mà YOLOv5 có thể cung cấp. Những khả năng này sẽ mở rộng năng lực giải quyết các bài toán computer vision phức tạp trong môi trường rừng.

Sự dễ dàng trong việc thiết lập cả quá trình huấn luyện model (phiên bản docker) lẫn triển khai model đã khiến YOLOv5 trở thành một lựa chọn tuyệt vời cho họ.

“Một trong những khía cạnh luôn khiến tôi ấn tượng về Ultralytics là mô hình kinh doanh còn khá mới, lấy code mở làm nền tảng 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 tính cởi mở của Ultralytics và nhận thấy đây là một cách tuyệt vời để đẩy nhanh quá trình phát triển sản phẩm. Nhờ đó, YOLOv5 đang trải qua những nâng cấp khá mạnh mẽ trong quá trình không ngừng phát triển, nhờ sự đóng góp của nhiều data scientist và practitioner.”

Bạn muốn giới thiệu điều gì cho người mới bắt đầu với AI?#

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

Nói một cách đúng với những gì tôi thực sự thường nói: “Phương pháp của bạn không hiệu quả ư? Vậy thì YOLO nó đi!”

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

Bạn có use case YOLOv5 của riêng mình?#

Hãy gắn thẻ chúng tôi với #YOLOvME trên mạng xã hội cùng use case YOLOv5 của bạn, và chúng tôi sẽ quảng bá công việc của bạn đến cộng đồng ML.