YOLOvME: Cuộc cách mạng kỹ thuật số của rừng
Khám phá nghiên cứu rừng mang tính đột phá của Stefano Puliti khi sử dụng YOLOv5 để phát hiện và phân tích dựa trên máy bay không người lái trong lâm nghiệp.
Stefano Puliti là một nhà nghiên cứu về viễn thám rừng tại Norwegian Institute of Bioeconomy Research (NIBIO) thuộc phòng kiểm kê rừng quốc gia. NIBIO là một trong những viện nghiên cứu lớn nhất Na Uy với khoảng 700 nhân viên. Họ đóng góp vào an ninh và an toàn lương thực, quản lý tài nguyên bền vững, đổi mới sáng tạo và tạo ra giá trị thông qua hoạt động nghiên cứu và sản xuất tri thức.
Trong nghiên cứu của mình, các drone và kỹ thuật cảm biến tiệm cận khác như quét laser di động được sử dụng 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 nằm trong dự án SmartForest, một chương trình nghiên cứu dài hạn do Hội đồng Nghiên cứu Na Uy tài trợ cùng với hầu hết các tác nhân trong ngành lâm nghiệp tại Na Uy. Mục tiêu của SmartForest là nâng cao hiệu quả của ngành lâm nghiệp Na Uy bằng cách kích hoạt cuộc cách mạng số nhằm chuyển đổi thông tin rừng, lâm sinh, các 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 như random forest hoặc support vector machines. Khoảng ba năm trước, anh nhận ra đã đến lúc phải nâng tầm trong lĩnh vực deep learning, lĩnh vực vẫn đang ở 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 thu được từ deep learning, Stefano đã phát triển một số ứng dụng trong lĩnh vực thị giác máy tính và drone.
Bạn đã sử dụng YOLOv5 được bao lâu rồi?#
"Tôi đã sử dụng nó từ mùa hè năm 2021 và vẫn tiếp tục cho đến nay! Phải nói rằng đó là tiếng sét ái tình nhờ sự dễ dàng khi thiết lập và vận hành kho lưu trữ YOLOv5. Điều này vô cùng có giá trị đối với tôi vì vào thời điểm đó tôi chưa quen thuộc lắm với python và đường cong học tập nông của YOLOv5 chính là yếu tố quyết định."
Stefano đã chuyển sang sử dụng nhận diện đối tượng chủ yếu để xác định các cây có tình trạng sức khỏe kém trong hình ảnh drone do hư 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 dòng các trình dò tìm YOLOv5, từ các trình dò tìm ổ gà đến mép đường và vòng xoáy cây.
"Vào thời điểm tôi tình cờ biết đến YOLOv5, tôi đã thử huấn luyện một số trình dò tìm đối tượng trong TensorFlow Object Detection API nhưng không thành công trong một thời gian. Sau đó, tôi bắt gặp repo YOLOv5 và (không kỳ vọng nhiều) đã thử huấn luyện một trình dò tìm, và với sự ngạc nhiên lớn, tôi bắt đầu quá trình học tập với bốn dòng mã. Tôi không chắc liệu có thể gọi đó là một quá trình suy nghĩ hay chỉ là một sự may mắn, nhưng nó đã bắt đầu như vậy."
Hầu hết các model 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 hình ảnh drone, sau đó được biến thành các thông tin chi tiết hữu ích nhờ vào dòng model YOLOv5 của chúng tôi. Một số trình dò tìm đã được huấn luyện của họ cũng được triển khai tại biên (edge) trên các máy lâm nghiệp hoặc trên xe vận chuyển gỗ.
Ngay từ đầu, Stefano và đội ngũ của anh đã phát triển cả một loạt các model YOLOv5 để hỗ trợ cho việc:
- Đánh giá chất lượng gỗ
- Giám sát nhu cầu bảo trì đường rừng
- Phát hiện các đặc điểm liên quan đến đa dạng sinh học trong rừng
Hơn nữa, họ cũng đang tìm cách mở rộng các model dựa trên drone phục vụ sức khỏe rừng và kiểm kê sang dữ liệu hình ảnh vệ tinh và hàng không có độ phân giải thấp hơn.
Với các latest YOLOv5 releases, họ rất mong chờ các tính năng phân loại hình ảnh và phân đoạn ngữ nghĩa mà YOLOv5 có thể mang lại. Những khả năng này sẽ mở rộng năng lực của họ trong việc giải quyết các tác vụ computer vision phức tạp trong môi trường rừng.
Sự dễ dàng trong việc thiết lập để huấn luyện model (phiên bản docker) cũng như triển khai model đã khiến YOLOv5 trở thành một lựa chọn tuyệt vời cho họ.
“Một trong những khía cạnh luôn làm tôi say mê ở Ultralytics là mô hình kinh doanh khá mới mẻ dựa trên mã nguồn mở làm cốt lõi và cung cấp các sản phẩm trả phí cho những người không chuyên để tiếp cận sức mạnh của deep learning. Với tư cách là một nhà khoa học, tôi đánh giá rất cao sự cởi mở của Ultralytics và tôi thấy đó là một cách tuyệt vời để thúc đẩy phát triển sản phẩm. Kết quả là, YOLOv5 đang chứng kiến những nâng cấp đáng kể trong sự phát triển không ngừng nhờ vào sự đóng góp của nhiều nhà khoa học dữ liệu và người thực hành.”
Bạn muốn giới thiệu điều gì cho những người mới bắt đầu với AI?#
Khi tham gia các hội nghị quốc tế trong năm qua, tôi nhận thấy các nhà nghiên cứu lâm nghiệp hoặc là sợ hãi sự phức tạp của deep learning, hoặc không nghĩ rằng nó có thể đóng vai trò trong nghiên cứu của họ. Trong tất cả các trường hợp đó, tôi đề nghị dành một nửa ngày để gán nhãn và thử huấn luyện một YOLOv5 để hiểu được sức mạnh và sự đơn giản của nó.
Nói một cách thực tế, tôi thường nói: “Phương pháp của bạn không hiệu quả ư? Vậy thì YOLO đi!”
Nếu bạn muốn cập nhật thông tin về Stefano Puliti và các công trình nghiên cứu của ông, hãy ghé thăm his NIBIO profile.
Bạn có trường hợp sử dụng YOLOv5 của riêng mình không?#
Hãy gắn thẻ chúng tôi với #YOLOvME trên mạng xã hội với trường hợp sử dụng YOLOv5 của riêng bạn và chúng tôi sẽ quảng bá công việc của bạn tới cộng đồng ML.
