ケーススタディディーププラスティックとYOLOv5

プラスチックは海洋の野生生物を窒息させている。毎分トラック2台分のプラスチックが海に投棄されており、これは年間1000万トン以上に相当する。ディーププラスチックの科学者たちは、この海洋プラスチックが「海洋環境、食の安全、人間の健康、エコツーリズム、気候変動への貢献」に対して社会的脅威をもたらすと述べている。

これに対抗するため、この研究者とエンジニアのチームは、コンピューター・ビジョンによって海洋のプラスチックをどのように除去できるかを研究している。

ディープ・プラスチックの研究者たちは、ディープ・ラーニング（深層学習）技術を使って、自律型水中探査機（AUV）を使い、光が透過する海面直下（表層）にあるプラスチックをスキャン、識別、定量化するアプローチを開発した。

「私たちの目標は、プラスチックの検出に使用できる、推論速度が非常に速い非常に小さなモデルを持つことでした」。

ジェイ・ロウ機械学習研究者

DeepPlasticチームは、YOLOv4とYOLOv4という2つの小型で精密なモデルを学習させた。 YOLOv5を訓練し、リアルタイムの物体検出を可能にした。これらのモデルはDeepTrashデータセットで学習された：

• 1900枚のトレーニング画像、637枚のテスト画像、637枚の検証画像（60、20、20分割）
• カリフォルニア州のタホ湖、サンフランシスコ湾、ボデガ湾で撮影されたフィールド写真。
• Internet images (<20%) taken by scraping Google Images.
• JAMSTEK JEDIデータセットからの深海画像

自律型水中ロボット（AUV）の仕組み

AUVは水中を移動するロボットである。深海まで自由に滑空し、海面に戻ってくることができる低速の乗り物である。AUVが水中でプラスチックを識別・回収するためには、ディープラーニングモデルを搭載する必要がある。AUVは、水中でプラスチックを検出するために、3つの簡単なステップで展開することができる。

1.ディープラーニング・モデルをAUVに組み込む

2.海をスキャンする

3.プラスチックの特定

これまでのディープラーニング・モデルと海洋清掃の問題点

DeepPlasticチームは、YOLOv4やFaster R-CNNなどいくつかのディープラーニングモデルをAUVでテストした。しかし、研究者たちは、海洋洗浄を問題にするさまざまな課題に直面した。

限られた研究者へのアクセスがチームを停滞させた

チームにディープラーニングの専門家がいないため、研究者たちはディープラーニング・モデルを最大限に活用することができなかった。

推論速度が遅く、プラスチック検出が弱い

推論とは、AUVがどれだけ速くプラスチックを認識できるかということである。YOLOv4とFaster R-CNNでは、AUVはプラスチックの検知にそれほど効果がなく、水をきれいにする能力が損なわれた。

物体識別の精度が低い

YOLOv4とFaster R-CNNは、プラスチック識別の成功率が平均77％～80％しかなかった。

サンゴとプラスチックが混同される検出不良

Faster R-CNNを使用した場合、AUVによってプラスチックと識別されたサンゴは3～5％で、これは許容基準を下回った。

より大きなパワーと精度YOLOv5

YOLOv5 に切り替えると、研究者たちはすぐに変化を実感した。精度は向上し、スピードは最大化され、YOLOv5 のシンプルさによってチームの誰もがアクセスできるようになった。

より高速なR-CNNと比較して、平均20%高速な推論速度

93％の精度

セットアップに1時間以内YOLOv5

アクセシビリティの向上により、研究者たちは以下のことを最大限に活用できるようになった。YOLOv5

YOLOv5 、私たちがリポジトリ上で確立したシンプルなステップ・バイ・ステップのプロセスに基づいて、チームが簡単に作業できるようにするいくつかの側面がありました。

• リポジトリのダウンロードは簡単だった
• すべてのドキュメンテーションは、わかりやすく整理されていた。
• 簡易モデル・トレーニング
• 手動による結果チェック

より高い推論速度 最大限の海洋清掃効率

YOLOv5 は、Faster RCNNよりも推論速度が20%速く、平均9ミリ秒で1枚の画像を処理した。その結果、AUVは浮遊プラスチックをより速い速度で検出できるようになり、プラスチックの捕獲量とプロジェクト全体の効率が向上した。

高精度レートにおける精度の向上

精度は平均85％で、93％に達することもあった。これは以前のモデルで見られた平均77～80％から急上昇した。

より使いやすくなった研究者たち

YOLOv5 のセットアップは、研究者にとってシームレスで楽な体験だった。セットアップの全プロセスを通じて、ユーザーはA-Z方式で案内されたので、チームは1時間足らずでYOLOv5 。

改良された汎用性により、研究者たちはYOLOv5 、さまざまな水環境に適用できるようになった。

数日のうちに、補強なしの3000枚の画像からなる小さなデータセットを使って、研究グループはAUVを湖や川で使えるように訓練することができた。濁った水やその他の悪条件にもかかわらず、YOLOv5 で訓練されたAUVは、高い精度でプラスチックを検出し、識別することができた。

「私たちは、高精度で非常に高速な物体検出アルゴリズムを探していました。私たちが作業する海洋環境は、過酷で荒れた地形です。YOLOv5 、私たちが使用できる最高の物体検出モデルとして、すべての面で成果をあげてくれました。

「YOLOv5 、セットアップも使い方もとても簡単で、一貫して望んでいた結果を出してくれるので、とても気に入っています。

"今後展開するモデルについては、間違いなくYOLOv5 を第一候補として検討することになるだろう"

ゴータム・タタ機械学習研究者

‍

DeepPlasticのリポジトリ、発表された論文、ビデオをご覧ください。

‍