YOLOvME：森林的数字化革命
探索 Stefano Puliti 在林业中使用 YOLOv5 进行基于无人机的检测和分析的变革性研究。
Stefano Puliti 是挪威生物经济研究所 (NIBIO)国家森林资源清查部门的一名森林遥感研究员。NIBIO 是挪威最大的研究机构之一，拥有约 700 名员工。他们通过研究和知识生产，为粮食安全、可持续资源管理、创新和价值创造做出贡献。
在他的研究中，无人机和其他近距离传感技术（如移动激光扫描）被用来生成满足现代信息需求所需的高级分析。
他所做的大部分工作都是在 SmartForest 项目中完成的，这是一个由挪威研究委员会和挪威大多数林业行业参与者资助的长期研究项目。SmartForest 的目标是通过实现森林信息、造林、森林作业、木材供应以及行业内整体数字信息流的数字革命，提高挪威林业部门的效率。
Stefano 多年来一直致力于传统的机器学习应用，例如随机森林或支持向量机。大约三年前，他意识到是时候在深度学习领域更进一步了，尽管该领域在林业部门仍处于发展阶段。自从意识到研究人员能从深度学习中获得巨大收益后，Stefano 一直在开发无人机和机器视觉领域的多种应用。
Link to this section你使用 YOLOv5 多久了？#
“我从 2021 年夏天开始使用它，此后再也没有放弃过！我不得不说，多亏了 YOLOv5 代码库易于上手，这简直是一见钟情。这对我来说非常有价值，因为当时我不怎么熟悉 Python，而 YOLOv5 的浅学习曲线是关键所在。”
Stefano 转向目标检测主要是为了识别无人机影像中因非生物因素（干旱、风、雪）或生物因素（昆虫和真菌）导致健康状况不佳的树木。从那时起，他和同事们一直在开发一整套 YOLOv5 检测器，涵盖从坑洼到道路边缘和轮生检测等各种应用。
“当我偶然发现 YOLOv5 时，我已经在 TensorFlow Object Detection API 中尝试训练一些目标检测器，但并不成功。然后我遇到了 YOLOv5 代码库，（没抱太大希望）尝试训练了一个检测器，令我大吃一惊的是，我用四行代码就开始了学习过程。我不确定这能不能定义为思维过程，或者只是一次幸运的尝试，但它确实开始了。”
大多数模型随后会被部署在他们的云解决方案 (ForestSens) 上，以向林业部门提供服务。用户可以在那里上传无人机图像，借助我们的 YOLOv5 系列模型，这些图像会被转化为可操作的见解。他们的一些训练好的检测器也被部署在林业机器或运木卡车的边缘设备上。
从一开始，Stefano 和他的团队就在开发一系列 YOLOv5 模型，用于帮助：
- 评估木材质量
- 监控森林道路维护需求
- 检测森林中与生物多样性相关的特征
此外，他们还计划将基于无人机的森林健康和清查模型扩展到分辨率较低的航空和卫星影像数据。
随着 最新的 YOLOv5 版本 发布，他们非常期待 YOLOv5 可能带来的图像分类和语义分割功能。这些能力将扩展他们解决森林环境中复杂计算机视觉任务的能力。
模型训练（Docker 版本）和模型部署的便捷性使 YOLOv5 成为他们的绝佳选择。
“Ultralytics 最令我着迷的一点是其相对较新的商业模式，该模式以开源代码为核心，并为非专业人士提供付费产品以获取深度学习的力量。作为一名科学家，我非常欣赏 Ultralytics 的开放性，我认为这是加速产品开发的绝佳方式。因此，得益于许多数据科学家和从业者的贡献，YOLOv5 正在不断演进并进行大幅升级。”
Link to this section你想给刚接触 AI 的人什么建议？#
过去一年参加国际会议时，我发现林业研究人员要么被深度学习的复杂性吓倒，要么认为它在他们的研究中发挥不了作用。在所有这些情况下，我建议花半天时间进行标注并尝试训练一个 YOLOv5，以了解它的强大和简单。
用具体的话来说，我当时说的是：“你的方法不管用吗？那就 YOLO 它！”
如果你想及时了解 Stefano Puliti 的最新动态及工作进展，欢迎访问他的 NIBIO 个人主页。
Link to this section你有自己的YOLOv5用例吗？#
在社交媒体上带上 #YOLOvME 标签分享你自己的 YOLOv5 用例，我们将向 ML 社区推广你的作品。
