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 有多久了？

“我从 2021 年夏天开始使用它，之后就再也没有放弃过！我必须说，这绝对是“一见钟情”，因为 YOLOv5 代码仓库非常容易启动和运行。这对我来说非常有价值，因为当时我对 Python 不是很熟悉，而 YOLOv5 浅显易懂的学习曲线最终促成了我的选择。”

Stefano 最初使用目标检测主要是为了识别无人机图像中因非生物因素（干旱、风、雪）或生物因素（昆虫和真菌）造成的健康状况不佳的树木。从那时起，他和他的同事一直在开发整个 YOLOv5 检测器系列，从坑洼到道路边缘和轮状物检测器。

“当我偶然发现 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，但没有成功。然后我遇到了 YOLOv5 代码仓库，并（没有抱太大希望地）尝试训练一个检测器，令我非常惊讶的是，我只用了四行代码就开始了学习过程。我不确定这是否可以定义为一个思考过程，或者更确切地说是一次幸运的尝试，但它确实开始了。”

大多数模型随后会部署在他们的云解决方案 (ForestSens) 上，以便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 模型系列将其转化为可执行的见解。他们训练的一些检测器也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系列 YOLOv5 模型，用于帮助：

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。

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。

训练模型（Docker 版本）和部署模型的简易性使 YOLOv5 成为他们的绝佳选择。

“关于 Ultralytics，我一直着迷的一个方面是它相当新的商业模式，该模式以开源代码为核心，并为非专业人士提供付费产品，以访问深度学习的力量。作为一名科学家，我非常欣赏 Ultralytics 的开放性，并且我发现这是加速产品开发的好方法。因此，由于许多数据科学家和从业者的贡献，YOLOv5 不断发展，并看到了相当大的升级。”

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害怕深度学习的复杂性，要么认为它在他们的研究中不起作用。在所有这些情况下，我都建议花半天时间进行标注，并尝试训练 YOLOv5，以了解它的强大功能和简单性。

用实际的话来说，我实际上是在说：“你的方法不起作用？那就 YOLO 它！”

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 用例吗？

在我们的社交媒体上使用 #YOLOvME 标记我们，分享您自己的 YOLOv5 用例，我们将向 ML 社区推广您的工作。