You Only Look Once (YOLO) – это алгоритм обнаружения объектов, представленный в 2015 году в исследовательской работе Джозефа Редмона, Сантоша Диввалы, Росса Гиршика и Али Фархади. Архитектура YOLO стала революцией в области обнаружения объектов в реальном времени, превзойдя своего предшественника. Нейросеть YOLOv.8 быстро стала популярной благодаря своей высокой скорости и точности распознавания различных объектов на изображениях. Применение нейросети YOLO при детектировании объектов для решения задач дешифрирования данных оптической съемки высокого пространственного разрешения с квадрокоптеров является новым направлением. Нейросеть YOLO основана на технологиях PyTorch. Библиотека интегрирована в среду разработки Python, что позволяет без проблем использовать нейросеть YOLO в проектах, реализованных в среде Python. Нейросеть позволяет обнаруживать объекты, осуществлять их сегментацию и классификацию. Модели, доступные в YOLOv.8, имеют пять уровней обработки изображений, от которых зависит точность определения объектов и время обработки. При проведении исследований использовались модели: nano, small, medium, large.
Основной целью исследований являлась оценка возможности применения компьютерного зрения при инвентаризации объектов государственного лесопатологического мониторинга (ГЛПМ) по данным съемки с беспилотных летательных аппаратов (БПЛА). Район исследования охватывает зону темнохвойной тайги Европейской части России, включая участках усыхания и деградации насаждений. За основные объекты выбраны деревья различных классов санитарного состояния, а также ветровал и валеж.
Использование нейросети Yolo предполагает обучение на значительном объеме размеченных данных. Обучение осуществлялось с использованием программного обеспечения Label Studio. Данные для разметки получены при проведении экспериментальных исследований на территории Удмуртской республики и Пермского края, в зонах массовой деградации темнохвойных лесов, представленных пихтой и елью. Разметка данных проводилась с выделением различных категорий санитарного состояния деревьев. Для разметки также были использованы участки с ветровалом и валежом, сформировавшимся на участках, подверженных вспышкам короеда-типографа и полиграфа. Обучение нейросети проводилось на данных, насчитывающих более 1000 объектов различных классов.
Результаты работы показали, что технологии компьютерного зрения могут успешно применяться в решении задач ГЛПМ. Повышение точности прогноза достигается увеличением объема данных в процессе обучения. Приемлемые результаты с высоким коэффициентом прогноза объектов ГЛПМ позволяют получить модели класса medium и large. Такая закономерность объясняется разнообразием объектов мониторинга по признакам формы и цвета, что требует значительных ресурсов на разметку данных и обучение моделей. Обученные нейросети, полученные в ходе выполнения данного исследования, возможно использовать в различном программном обеспечении, в котором предусмотрены функции обработки данных съемки высокого и сверхвысокого разрешения.