YOLOvME：森林领域的数字革命

Stefano Puliti 是 挪威生物经济研究所 (NIBIO) 国家森林资源调查部门的森林遥感研究员。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和保障、可持续资源管理、创新和价值创造做出贡献。

在他的研究中，无人机和其他近端传感技术（如移动激光扫描）被用于生成满足现代信息需求所需的高级分析。

他所做的许多工作都是与 SmartForest 项目合作完成的，这是一个由挪威研究委员会以及挪威大多数森林行业参与者资助的长期研究项目。SmartForest 的目标是通过实现一场数字革命来提高挪威森林部门的效率，这场革命将改变森林信息、造林、森林作业、木材供应以及整个行业的数字信息流。

Stefano 多年来一直从事更传统的机器学习应用，如随机森林或支持向量机。大约三年前，他意识到现在是时候加强深度学习领域的工作了，深度学习对于森林部门来说仍处于发展阶段。自从意识到研究人员可以从深度学习中获得巨大的好处以来，Stefano 已经在无人机和机器视觉领域开发了多个应用。

您使用YOLOv5 多久了？

"我从 2021 年夏天开始使用它，至今没有放弃过！我不得不说，这是一种 "一见钟情 "式的爱，这要归功于轻松获得 YOLOv5repo 很容易启动和运行。这对我来说非常有价值，因为当时我对python 并不熟悉，而YOLOv5的浅显学习曲线是我的突破口"。

Stefano 采用物体检测技术，主要是为了在无人机图像中识别由于非生物因素（干旱、风、雪）或生物因素（昆虫和真菌）造成的损害而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 探测器，从坑洞到道路边缘和轮廓探测器。

"当我偶然发现YOLOv5 时，我已经在TensorFlow Object Detection API 中尝试训练了一段时间的对象检测器，但都没有成功。后来，我偶然发现了YOLOv5 软件仓库，并尝试训练一个检测器（希望渺茫），结果让我大吃一惊，我只用了四行代码就开始了学习过程。我不确定能否将其定义为一个思考过程，或者更确切地说，是一个幸运的打击，但它开始了"。

大多数模型都部署在他们的云解决方案（ForestSens）上，为林业部门提供服务。在那里，用户可以上传无人机图像，然后通过我们的YOLOv5 系列模型将这些图像转化为可操作的见解。他们的一些训练有素的探测器还部署在林业机械或伐木卡车的边缘。

从一开始，Stefano 和他的团队就一直在开发一整套YOLOv5 模型，以用于帮助客户：

1. 评估木材质量
2. 监测森林道路维护需求
3. 检测森林中与生物多样性相关的功能

此外，他们还在研究将基于无人机的森林健康和库存模型扩展到分辨率较低的航空和卫星图像数据。

通过最新的YOLOv5 版本，他们非常期待YOLOv5 可能提供的图像分类和语义分割功能。这些功能将扩展他们解决森林环境中复杂计算机视觉任务的能力。

无论是训练模型（docker 版本）还是部署模型，YOLOv5 都非常易于设置，因此成为他们的最佳选择。

Ultralytics 一直吸引我的一个方面是其全新的商业模式，即以开放代码为核心，为非专业人士提供付费产品，让他们能够获得深度学习的力量。作为一名科学家，我非常欣赏Ultralytics的开放性，我发现这是加速产品开发的好方法。因此，得益于众多数据科学家和从业人员的贡献，YOLOv5 在不断发展中迎来了相当大的升级。"

您想向人工智能新手推荐什么？

在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到，要么认为深度学习无法在他们的研究中发挥作用。在所有这些情况下，我都建议用半天时间进行标注，并尝试训练YOLOv5 ，以了解它的强大和简单。

用实际的话说，我其实是在说"你的方法不管用？那就YOLO 吧！"

如果您想及时了解 Stefano Puliti 及其工作，请随时关注他的 Twitter 帐户。

您有自己的YOLOv5 使用案例吗？

在我们的社交媒体上用 #YOLOvME 标签标记您自己的YOLOv5 使用案例，我们将向 ML 社区推广您的作品。