Scopri come Ultralytics sta affrontando l'inquinamento da plastica negli oceani utilizzando AUV e YOLOv5 per un'efficiente rilevazione e pulizia sottomarina.
La plastica sta soffocando la fauna marina: ogni minuto, due camion di plastica vengono scaricati nei nostri oceani, pari a oltre 10 milioni di tonnellate all'anno. Gli scienziati di DeepPlastic affermano che questa plastica marina rappresenta una minaccia per la società "per l'ambiente marino, la sicurezza alimentare, la salute umana, l'ecoturismo e il contributo al cambiamento climatico".
Per combattere questa situazione, questo team di ricercatori e ingegneri ha studiato come la computer vision possa eliminare la plastica nei nostri oceani.
Grazie alla tecnologia di deep learning, i ricercatori di DeepPlastic hanno sviluppato un approccio che utilizza veicoli subacquei autonomi (AUV) per scansionare, identificare e quantificare la plastica che si trova appena sotto la superficie dell'oceano, dove la luce può ancora penetrare, ovvero lo strato epipelagico.
"Il nostro obiettivo era quello di avere un modello molto piccolo con una velocità di inferenza molto elevata che potesse essere utilizzato per rilevare la plastica".
Jay Lowe, Ricercatore di apprendimento automatico
Il team di DeepPlastic ha addestrato due piccoli e precisi modelli, YOLOv4 e YOLOv5che consentono di rilevare gli oggetti in tempo reale. Questi modelli sono stati addestrati sul set di dati DeepTrash, composto da:
Un AUV è un robot che viaggia sott'acqua. Si tratta di veicoli lenti che possono scivolare liberamente nelle profondità oceaniche e tornare in superficie. Per poter identificare e raccogliere la plastica sott'acqua, gli AUV devono essere dotati di un modello di deep learning. Per rilevare la plastica sott'acqua, gli AUV possono essere impiegati in tre semplici fasi.
1. Installare un modello di apprendimento profondo in un AUV
2. Scansiona l'oceano
3. Identificare la plastica
Il team di DeepPlastic ha testato diversi modelli di deep learning come YOLOv4 e Faster R-CNN su AUV. Tuttavia, i ricercatori hanno dovuto affrontare una serie di sfide che hanno reso problematica la pulizia degli oceani.
Senza esperti di deep learning nel team, i ricercatori non hanno potuto sfruttare al meglio i modelli di deep learning.
L'inferenza è la velocità con cui l'AUV è in grado di riconoscere la plastica. Con YOLOv4 e Faster R-CNN, gli AUV non erano altrettanto efficaci nel rilevare la plastica, compromettendo la loro capacità di pulire l'acqua.
YOLOv4 e Faster R-CNN hanno ottenuto una media del 77%-80% di successi nell'identificazione della plastica.
Utilizzando Faster R-CNN, il 3-5% dei coralli è stato identificato come plastica dagli AUV, un risultato inferiore allo standard accettabile.
Quando sono passati a YOLOv5, i ricercatori hanno visto una trasformazione immediata. L'accuratezza è aumentata, la velocità è stata massimizzata e la semplicità di YOLOv5 lo ha reso accessibile a tutti i membri del team.
20% di velocità di inferenza in più rispetto alla R-CNN più veloce.
Tasso di precisione del 93%
Meno di un'ora per l'installazione YOLOv5
Ci sono diversi aspetti di YOLOv5 che hanno permesso al team di lavorarci facilmente, grazie al semplice processo passo-passo che abbiamo stabilito sul repository.
YOLOv5 ha presentato una velocità di inferenza superiore del 20% rispetto a Faster RCNN, elaborando in media 1 immagine in 9 millisecondi. Di conseguenza, gli AUV sono stati in grado di rilevare la plastica galleggiante a una velocità maggiore, aumentando la quantità di plastica catturata e l'efficienza complessiva del progetto.
I tassi di precisione si sono attestati su una media dell'85% che a volte ha raggiunto il 93%. Si tratta di un balzo in avanti rispetto alla media del 77-80% registrata con i modelli precedenti.
La configurazione di YOLOv5 è stata un'esperienza perfetta e senza sforzo per i ricercatori. Gli utenti sono stati guidati dalla A alla Z durante l'intero processo di configurazione, consentendo al team di iniziare a utilizzare YOLOv5 in meno di un'ora.
In un paio di giorni, utilizzando un piccolo set di dati di 3000 immagini senza incremento, il gruppo è stato in grado di addestrare gli AUV a lavorare in laghi e fiumi. Nonostante l'acqua torbida e altre condizioni avverse, gli AUV addestrati su YOLOv5 sono riusciti a rilevare e identificare la plastica con grande precisione.
"Eravamo alla ricerca di un algoritmo di rilevamento degli oggetti che producesse un'elevata precisione e fosse estremamente veloce. Gli ambienti oceanici in cui lavoriamo sono terreni duri e accidentati. YOLOv5 si è rivelato il miglior modello di rilevamento di oggetti che potessimo utilizzare.
"Adoriamo usare YOLOv5 perché è così facile da configurare e da usare e ha prodotto i risultati che volevamo con costanza.
"Per tutti i modelli futuri che adotteremo, considereremo YOLOv5 come la nostra prima scelta senza ombra di dubbio".
Gautam Tata, ricercatore di apprendimento automatico
Dai un'occhiata al repository di DeepPlastic, al documento pubblicato e al video riassuntivo.
Inizia il tuo viaggio nel futuro dell'apprendimento automatico
