YOLOvME：森林的数字革命

Stefano Puliti 是挪威生物经济研究所（NIBIO）国家森林资源清查部门的森林遥感研究人员。NIBIO 是挪威最大的研究机构之一，约有 700 名员工。他们通过研究和知识生产，为粮食安全与保障、可持续资源管理、创新和价值创造作出贡献。

在他的研究中，会使用无人机和移动激光扫描等其他近距离感知技术，生成回答现代信息需求所需的高级分析结果。

他的大部分工作都通过SmartForest项目完成。该项目是一项长期研究计划，由挪威研究委员会以及挪威大多数林业行业参与者共同资助。SmartForest 旨在通过推动一场数字革命，提高挪威林业部门的效率，改变森林信息、森林培育、林业作业、木材供应以及整个行业数字信息流的处理方式。

多年来，Stefano 一直从事随机森林或支持向量机等更传统的机器学习应用。大约三年前，他意识到是时候在深度学习领域迎头赶上了，而深度学习在林业部门仍处于发展阶段。在认识到研究人员可以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个应用。

你使用 YOLOv5 多长时间了？#

“我从 2021 年夏天开始使用它，此后一直没有放弃！我得说，这是一见钟情，因为让 YOLOv5 代码仓库运行起来非常容易。这对我来说极其宝贵，因为当时我对 Python 还不太熟悉，而 YOLOv5 平缓的学习曲线最终打动了我。”

Stefano 最初主要采用目标检测来识别无人机影像中健康状况不佳的树木，这些树木可能是受到非生物因素（干旱、风、雪）或生物因素（昆虫和真菌）造成的损害。此后，他和同事一直在开发完整的 YOLOv5 检测器系列，涵盖从坑洼检测到道路边缘检测和轮生枝检测。

“在偶然接触到 YOLOv5 时，我已经尝试使用 TensorFlow Object Detection API 训练一些目标检测器一段时间了，但都没有成功。后来我遇到了 YOLOv5 代码仓库，并且（没抱太大希望地）尝试训练一个检测器。令我惊讶的是，我只用四行代码就开始了学习过程。我不确定这算不算一种思维过程，还是一次幸运的尝试，但它确实开始了。”

随后，大多数模型都会部署到他们的云解决方案 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等数据，然后借助我们的 YOLOv5 模型系列将其转化为可执行的洞察。一些经过训练的检测器还会部署在林业机械或伐木卡车等边缘设备上。

从一开始，Stefano 和他的团队就一直在开发一系列 YOLOv5 模型，用于帮助完成以下工作：

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特征

此外，他们还在研究如何将基于无人机的森林健康和资源清查模型扩展到分辨率更低的航空影像和卫星影像数据。

借助最新的 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。这些能力将提升他们解决森林环境中复杂计算机视觉任务的能力。

无论是模型训练（Docker 版本）还是模型部署，设置都非常简单，这让 YOLOv5 成为了他们的绝佳选择。

“Ultralytics 最让我着迷的方面之一，是其相当新颖的商业模式：以开放代码为核心，同时为非专业人士提供付费产品，让他们能够使用深度学习的力量。作为一名科学家，我非常欣赏 Ultralytics 的开放性，并认为这是加速产品开发的绝佳方式。因此，得益于众多数据科学家和实践者的贡献，YOLOv5 在持续演进中不断进行相当大幅度的升级。”

对于刚接触 AI 的人，你有什么建议？#

在过去一年参加国际会议时，我发现森林研究人员要么被深度学习的复杂性吓到，要么认为它无法在自己的研究中发挥作用。在所有这些情况下，我都建议他们花半天时间进行标注，并尝试训练一个 YOLOv5，以了解它的能力和易用性。

用我当时实际说的话来表达就是：“你的方法不起作用？那就 YOLO 一下！”

如果你想及时了解 Stefano Puliti 及其工作，欢迎访问他的 NIBIO 个人资料页。

你有自己的 YOLOv5 应用案例吗？#

在社交媒体上使用 #YOLOvME 标记我们，分享你自己的 YOLOv5 应用案例，我们会向 ML 社区推广你的工作。