YOLOvME：森林的数字化革命

Stefano Puliti 是挪威生物经济研究所 (NIBIO)国家森林清查部门的森林遥感研究员。NIBIO 是挪威规模最大的研究机构之一，约有 700 名员工。该机构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，会使用无人机和其他近距离传感技术（如移动激光扫描）来生成高级分析结果，以满足现代信息需求。

他的大部分工作都是通过 SmartForest 项目完成的。该项目是一项长期研究计划，由挪威研究理事会和挪威大多数林业企业共同资助。SmartForest 旨在推动数字化变革，改造森林信息、森林培育、林业作业、木材供应以及整个行业的数字信息流，从而提高挪威林业部门的效率。

多年来，Stefano 一直从事更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，而深度学习在林业领域仍处于发展阶段。认识到研究人员能从深度学习中获得巨大收益后，Stefano 开始开发多个无人机和机器视觉领域的应用。

你使用 YOLOv5 多久了？#

“我从 2021 年夏天开始使用它，此后就再也没有放弃过！我得说，这是一见钟情，因为启动并运行 YOLOv5 仓库非常简单。当时我对 python 还不太熟悉，而 YOLOv5 平缓的学习曲线最终让我决定使用它，这对我来说特别重要。”

Stefano 主要利用目标检测从无人机影像中识别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）的损害。此后，他和同事开发了一系列 YOLOv5 检测器，涵盖从坑洼、道路边缘到树木轮生枝的检测。

“在偶然发现 YOLOv5 之前，我曾尝试用 TensorFlow Object Detection API 训练一些目标检测器，但一直没有成功。后来我遇到了 YOLOv5 仓库，虽然没抱太大希望，还是试着训练了一个检测器。令我惊讶的是，我只用了四行代码就开始了学习过程。我不确定这能不能称为深思熟虑，或许只是幸运，但这件事就这样开始了。”

随后，大多数模型都会部署到他们的云端解决方案 ForestSens，为林业部门提供服务。用户可以在该平台上传无人机图像等数据，再借助我们的 YOLOv5 模型系列将其转化为可操作的洞察。他们训练的一些检测器也会部署在边缘端，例如林业机械或伐木卡车上。

从一开始，Stefano 和他的团队就开发了一系列 YOLOv5 模型，用于帮助完成以下工作：

1. 评估木材质量
2. 森林道路维护的监测需求
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状况和森林清查模型扩展到分辨率较低的航空与卫星图像数据。

借助 最新的 YOLOv5 版本，他们非常期待 YOLOv5 带来的图像分类和语义分割功能。这些能力将拓展他们在森林环境中解决复杂计算机视觉任务的能力。

无论是训练模型时的便捷部署（Docker 版本），还是模型部署本身的便捷性，都让 YOLOv5 成为他们的理想选择。

“Ultralytics 的一些特点总让我着迷，其中之一是它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，让他们也能用上深度学习的强大能力。作为一名科学家，我非常欣赏 Ultralytics 的开放态度，也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从业者的贡献，YOLOv5 在持续演进中不断取得显著升级。”

你会给刚接触 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退，要么认为深度学习无法应用于他们的研究。在这些情况下，我都会建议他们花半天时间标注数据并尝试训练 YOLOv5，以了解它的强大功能和易用性。

用我实际说过的话来表达：“你的方法行不通？那就 YOLO 一下！”

如果你想持续了解 Stefano Puliti 及其工作，欢迎访问他的 NIBIO 个人主页。

你有自己的 YOLOv5 应用案例吗？#

在社交媒体上发布你自己的 YOLOv5 应用案例并标记我们和 #YOLOvME，我们会向机器学习社区推广你的成果。