YOLOvME: Cuộc cách mạng số của rừng

Stefano Puliti là nhà nghiên cứu về cảm biến từ xa 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 tại 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 nghiên cứu và sản xuất kiến thức.

Trong nghiên cứu của ông, 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 nhằm đáp ứng nhu cầu thông tin hiện đại.

Phần lớn công việc ông đã làm được thực hiện với dự án SmartForest , một chương trình nghiên cứu dài hạn được Hội đồng nghiên cứu Na Uy tài trợ cùng với hầu hết các bên liên quan trong ngành lâm nghiệp tại Na Uy. Mục tiêu của SmartForest là cải thiện hiệu quả của ngành lâm nghiệp Na Uy bằng cách tạo ra một cuộc cách mạng kỹ thuật số chuyển đổi thông tin lâm nghiệp, lâm nghiệp, 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 học máy truyền thống hơn như rừng ngẫu nhiên hoặc máy vectơ hỗ trợ. Khoảng ba năm trước, ông nhận ra rằng đã đến lúc phải tăng tốc trong lĩnh vực học sâu, lĩnh vực 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 học sâu, Stefano đã phát triển một số ứng dụng trong lĩnh vực máy bay không người lái và thị giác dựa trên máy móc.

Bạn đã sử dụng YOLOv5 bao lâu rồi?

"Tôi đã sử dụng nó từ mùa hè năm 2021 và chưa bao giờ từ bỏ nó! Tôi phải nói rằng, đó là tình yêu "ngay từ cái nhìn đầu tiên" nhờ vào sự dễ dàng trong việc thiết lập và chạy kho lưu trữ YOLOv5 . Điều này cực kỳ có giá trị đối với tôi vì vào thời điểm đó tôi không quen lắm với python và đường cong học tập nông của YOLOv5 là điểm mấu chốt."

Stefano đã dùng đến phương pháp phát hiện vật thể chủ yếu để xác định trong hình ảnh máy bay không người lái những cây có tình trạng sức khỏe kém do tác nhân phi sinh học (hạn hán, gió, tuyết) hoặc tác nhân sinh học (côn trùng và nấm). Kể từ đó, ông và các đồng nghiệp đã phát triển toàn bộ một họ máy dò YOLOv5, từ ổ gà đến mép đường và máy dò vòng xoáy.

"Vào thời điểm tôi tình cờ biết đến YOLOv5, tôi đã cố gắng đào tạo một số trình phát hiện đối tượng trong TensorFlow Object Detection API trong một thời gian nhưng không thành công. Sau đó, tôi chạy vào kho lưu trữ YOLOv5 và (không có nhiều hy vọng) đã cố gắng đào tạo một trình phát hiện và thật bất ngờ, tôi đã bắt đầu quá trình học với bốn dòng mã. Tôi không chắc người ta có thể định nghĩa nó là một quá trình suy nghĩ hay đúng hơn là một cú đánh 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 hình ảnh máy bay không người lái sau đó được chuyển thành thông tin chi tiết có thể hành động nhờ vào nhóm mô hình YOLOv5 của chúng tôi. Một số máy dò được đào tạo của họ cũng được triển khai tại rìa trên các máy lâm nghiệp hoặc trên xe tải khai thác gỗ.

Ngay từ đầu, Stefano và nhóm của ông đã phát triển toàn bộ một loạt các mô hình YOLOv5 để hỗ trợ:

1. Đánh giá chất lượng gỗ
2. Theo dõi nhu cầu bảo trì đường rừng
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 mô hình máy bay không người lái để theo dõi tình trạng và kiểm kê rừng sang dữ liệu hình ảnh vệ tinh và trên không có độ phân giải thô hơn.

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

Tính dễ dàng thiết lập cho cả việc đào tạo mô hình (phiên bản docker) cũng như triển khai mô hình khiến YOLOv5 trở thành lựa chọn tuyệt vời cho họ.

“Một trong những khía cạnh luôn khiến tôi thích thú về Ultralytics là mô hình kinh doanh khá mới mẻ dựa trên mã mở làm cốt lõi và cung cấp các sản phẩm trả phí cho những người không chuyên để tiếp cận sức mạnh của học sâu. Là một nhà khoa học, tôi rất trân trọng sự cởi mở của Ultralytics và tôi thấy rằng đó là một cách tuyệt vời để đẩy nhanh quá trình phát triển sản phẩm. Do đó, YOLOv5 đang chứng kiến những nâng cấp khá mạnh mẽ trong quá trình tiến hóa liên tục nhờ sự đóng góp của nhiều nhà khoa học dữ liệu và chuyên gia.”

Bạn có lời khuyên nào dành cho người mới làm quen với AI không?

Khi tham dự các hội nghị quốc tế trong năm qua, tôi thấy rằng các nhà nghiên cứu lâm nghiệp hoặc sợ sự phức tạp của học sâu hoặc không nghĩ rằng nó có thể đóng vai trò trong nghiên cứu của họ. Trong tất cả các trường hợp này, tôi đề xuất dành nửa ngày để chú thích và cố gắng đào tạo YOLOv5 để hiểu sức mạnh và sự đơn giản của nó.

Nói theo đúng nghĩa đen thì tôi thực sự muốn nói: "Phương pháp của bạn không hiệu quả? Vậy thì YOLO đi!"

Nếu bạn muốn cập nhật thông tin về Stefano Puliti và tác phẩm của ông, hãy theo dõi tài khoản Twitter của ông .

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

Gắn thẻ chúng tôi bằng #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.