사례 연구: 딥플라스틱과 YOLOv5

플라스틱은 해양 야생동물을 질식시키고 있습니다. 매분마다 트럭 두 대 분량의 플라스틱이 바다에 버려지고 있으며, 이는 연간 천만 톤이 넘는 양에 해당합니다. 딥플라스틱 과학자들은 이러한 해양 플라스틱이 "해양 환경, 식품 안전, 인간 건강, 생태 관광, 기후 변화에 대한 기여"에 대한 사회적 위협을 초래한다고 말합니다.

이 문제를 해결하기 위해 연구자와 엔지니어로 구성된 이 팀은 컴퓨터 비전으로 바다에서 플라스틱을 제거하는 방법을 연구하고 있습니다.

딥러닝 기술을 통해 딥플라스틱 연구원들은 자율 수중 차량(AUV)을 사용하여 빛이 투과할 수 있는 바다 표면 바로 아래, 즉 극지방에 위치한 플라스틱을 스캔, 식별 및 정량화하는 접근 방식을 개발했습니다.

"우리의 목표는 플라스틱을 감지하는 데 사용할 수 있는 매우 빠른 추론 속도를 가진 초소형 모델을 만드는 것이었습니다."

제이 로우, 머신러닝 연구원

딥플라스틱 팀은 작고 정밀한 두 가지 모델인 YOLOv4와 YOLOv5를 학습시켜 실시간 물체 감지가 가능하도록 했습니다. 이 모델들은 다음과 같이 구성된 딥트래시 데이터세트로 학습되었습니다:

• 1900개의 트레이닝 이미지, 637개의 테스트 이미지, 637개의 검증 이미지(60개, 20개, 20개 분할)
• 캘리포니아의 타호 호수, 샌프란시스코 베이, 보데가 베이에서 촬영한 현장 이미지입니다.
• Internet images (<20%) taken by scraping Google Images.
• 잼스텍 JEDI 데이터 세트의 심해 이미지

자율 수중 차량(AUV)의 작동 원리

AUV는 수중을 이동하는 로봇입니다. 이 로봇은 바다 속 깊은 곳까지 자유롭게 이동했다가 다시 수면으로 돌아올 수 있는 저속 차량입니다. 수중에서 플라스틱을 식별하고 수거할 수 있으려면 딥러닝 모델을 AUV에 설치해야 합니다. 수중 플라스틱 탐지를 위해 AUV를 배치하는 방법은 세 가지로 간단합니다.

1. 1. 딥러닝 모델을 AUV에 설치하기

2. 바다 스캔

3. 플라스틱 식별

기존 딥러닝 모델 및 해양 청소의 문제점

딥플라스틱 팀은 YOLOv4 및 Faster R-CNN과 같은 여러 딥러닝 모델을 AUV에서 테스트했습니다. 하지만 연구원들은 해양 청소에 어려움을 겪는 다양한 문제에 직면했습니다.

제한된 연구자 접근성으로 인해 팀이 지연되었습니다.

팀에 딥러닝 전문가가 없었기 때문에 연구원들은 딥러닝 모델을 최대한 활용하지 못했습니다.

느린 추론 속도로 인한 플라스틱 감지 약화

추론은 무인 수중 로봇이 플라스틱을 얼마나 빨리 인식할 수 있는지를 의미합니다. YOLOv4와 더 빠른 R-CNN을 사용하면 AUV가 플라스틱을 감지하는 데 효과적이지 않아 수중 청소 능력이 떨어집니다.

낮은 물체 식별 정확도

YOLOv4와 Faster R-CNN은 플라스틱을 식별할 때 평균 77%~80%의 성공률에 불과했습니다.

산호와 플라스틱 물체를 혼동하는 인식 불량

Faster R-CNN을 사용했을 때, 허용 기준보다 낮은 3~5%의 산호가 AUV에 의해 플라스틱으로 확인되었습니다.

더 강력해진 성능과 정확도 YOLOv5

YOLOv5 로 전환하자 연구원들은 즉각적인 변화를 경험했습니다. 정확성이 향상되고 속도가 극대화되었으며 YOLOv5 의 단순성 덕분에 팀원 모두가 액세스할 수 있게 되었습니다.

더 빠른 R-CNN과 비교했을 때 평균 20% 더 빠른 추론 속도

93% 정확도

설정에 1시간 미만 소요 YOLOv5

접근성 향상으로 연구원들이 최대한 활용할 수 있는 환경 조성 YOLOv5

리포지토리에 설정한 간단한 단계별 프로세스를 기반으로 팀이 쉽게 작업할 수 있었던 YOLOv5 의 몇 가지 측면이 있었습니다.

• 리포지토리 다운로드는 간단했습니다.
• 모든 문서가 명확하고 따라 하기 쉬운 방식으로 정리되어 있습니다.
• 간소화된 모델 트레이닝
• 수동 결과 확인

추론 속도 향상으로 해양 청소 효율성 극대화

YOLOv5 는 평균 9밀리초 만에 이미지 1장을 처리하여 Faster RCNN보다 20% 더 빠른 추론 속도를 보여주었습니다. 그 결과, AUV는 더 빠른 속도로 떠다니는 플라스틱을 감지할 수 있었고, 포착된 플라스틱의 양과 전반적인 프로젝트 효율성이 증가했습니다.

정밀도 정확도 향상

정확도는 평균 85%였으며 때로는 93%까지 올라갔습니다. 이는 이전 모델의 평균 77~80%에서 크게 향상된 수치입니다.

연구자의 사용 편의성 향상

YOLOv5 설정은 연구원들에게 원활하고 쉬운 경험이었습니다. 전체 설정 프로세스에 걸쳐 사용자에게 A부터 Z까지 안내가 제공되었기 때문에 연구팀은 1시간 이내에 YOLOv5 을 시작할 수 있었습니다.

연구자들이 다양한 수질 환경에 YOLOv5 을 적용할 수 있는 범용성 향상

이 그룹은 증강 없이 3,000개의 이미지로 구성된 작은 데이터 세트를 사용하여 며칠 만에 호수와 강에서 작업할 수 있도록 AUV를 훈련시킬 수 있었습니다. 물이 혼탁하고 기타 열악한 조건에도 불구하고 YOLOv5 에서 훈련된 AUV는 여전히 높은 정확도로 플라스틱을 감지하고 식별할 수 있었습니다.

"우리는 정확도가 높고 속도가 매우 빠른 물체 감지 알고리즘을 찾고 있었습니다. 우리가 작업하는 해양 환경은 거칠고 거친 지형입니다."( YOLOv5 )는 모든 면에서 우리가 사용할 수 있는 최고의 물체 감지 모델을 제공했습니다.

" YOLOv5 설정과 사용이 매우 간편하고 원하는 결과를 일관되게 얻을 수 있어 즐겨 사용하고 있습니다.

"향후 배포할 모든 모델에 대해 의심의 여지 없이 YOLOv5 을 최우선적으로 고려할 것입니다."

가우탐 타타, 머신러닝 연구원

‍

DeepPlastic 리포지토리, 발표된 논문 및 동영상 요약본을 확인하세요.

‍