Estudo de caso: DeepPlastic e YOLOv5

Equipa Ultralytics

6 min. de leitura

12 de dezembro de 2022

Descubra como a Ultralytics está a combater a poluição por plásticos nos oceanos utilizando AUVs e YOLOv5 para uma deteção e limpeza subaquáticas eficientes.

O plástico está a sufocar a vida selvagem marinha: a cada minuto, dois camiões de plástico são despejados nos nossos oceanos, o que equivale a mais de 10 milhões de toneladas por ano. Os cientistas da DeepPlastic afirmam que este plástico marinho representa ameaças sociais para o "ambiente marinho, a segurança alimentar, a saúde humana, o ecoturismo e a contribuição para as alterações climáticas".

Para combater esta situação, esta equipa de investigadores e engenheiros tem vindo a investigar a forma como a visão computacional pode eliminar o plástico nos nossos oceanos.

Com a tecnologia de aprendizagem profunda, os investigadores do DeepPlastic desenvolveram uma abordagem que utiliza veículos subaquáticos autónomos (AUV) para analisar, identificar e quantificar o plástico localizado logo abaixo da superfície do oceano, onde a luz ainda consegue penetrar, ou seja, na camada epipelágica.

"O nosso objetivo era ter um modelo muito pequeno com uma velocidade de inferência muito rápida que pudesse ser utilizado para detetar plástico".
Jay LoweInvestigador de aprendizagem automática

A equipa do DeepPlastic treinou dois modelos pequenos e precisos, YOLOv4 e YOLOv5, que permitem a deteção de objectos em tempo real. Estes modelos foram treinados no conjunto de dados DeepTrash, que consistia em:

  • 1900 imagens de treino, 637 imagens de teste, 637 imagens de validação (60, 20, 20 divididas)
  • Imagens de campo tiradas no Lago Tahoe, na Baía de São Francisco e na Baía de Bodega, na Califórnia.
  • Internet images (<20%) taken by scraping Google Images.
  • Imagens de mar profundo do conjunto de dados JAMSTEK JEDI

Como funcionam os veículos subaquáticos autónomos (AUVs)

Um AUV é um robot que se desloca debaixo de água. São veículos lentos que podem deslizar livremente para as profundezas do oceano e regressar à superfície. Um modelo de aprendizagem profunda tem de ser instalado nos AUVs para que estes possam identificar e recolher plástico debaixo de água. Os AUVs podem ser utilizados em três passos simples para detetar plástico debaixo de água.

1. Instalar um modelo de aprendizagem profunda em um AUV

2. Sondar o oceano

3. Identificar o plástico

Os problemas com modelos anteriores de aprendizagem profunda e limpeza dos oceanos

A equipa do DeepPlastic testou vários modelos de aprendizagem profunda, como o YOLOv4 e o Faster R-CNN, em AUVs. No entanto, os investigadores depararam-se com uma série de desafios que tornaram a limpeza do oceano problemática.

A acessibilidade limitada aos investigadores bloqueou a equipa

Sem nenhum especialista em aprendizagem profunda na equipa, os investigadores foram impedidos de tirar o máximo partido dos modelos de aprendizagem profunda.

Velocidade de inferência lenta Deteção de plástico enfraquecida

A inferência é a rapidez com que o AUV consegue reconhecer o plástico. Com o YOLOv4 e o Faster R-CNN, os AUVs não eram tão eficazes na deteção de plástico, prejudicando a sua capacidade de limpar a água.

Baixa precisão na identificação de objectos

O YOLOv4 e o Faster R-CNN apenas tiveram uma média de 77%-80% de taxa de sucesso na identificação de plástico.

A deficiente deteção confundiu os corais com objectos de plástico

Ao usar o Faster R-CNN, 3-5% dos corais foram identificados como plásticos pelos AUVs, o que estava abaixo do padrão aceitável.

Maior potência e precisão com o YOLOv5

Ao mudar para o YOLOv5, os investigadores viram uma transformação imediata. A precisão foi aumentada, a velocidade foi maximizada e a simplicidade do YOLOv5 tornou-o acessível a todos os membros da equipa.

Velocidade de inferência 20% mais rápida, em média, quando comparada com a R-CNN mais rápida

93% de taxa de precisão

Menos de uma hora para configurar o YOLOv5

O aumento da acessibilidade permitiu que os investigadores tirassem o máximo partido do YOLOv5

Houve vários aspectos do YOLOv5 que permitiram que a equipa trabalhasse facilmente com ele, com base no processo simples passo a passo que estabelecemos no repositório.

  • A transferência do repositório foi simples
  • Toda a documentação foi organizada de forma clara e fácil de seguir
  • Treino simplificado do modelo
  • Controlo manual de resultados

Maior velocidade de inferência Eficiência de limpeza do oceano maximizada

O YOLOv5 apresentou velocidades de inferência 20% mais rápidas do que o Faster RCNN, processando uma média de 1 imagem em 9 milissegundos. Como resultado, os AUVs foram capazes de detetar plástico flutuante a uma velocidade mais rápida, o que aumentou a quantidade de plástico capturado e a eficiência geral do projeto.

Maior exatidão nas taxas de precisão

As taxas de precisão situaram-se numa média de 85%, chegando por vezes a atingir 93%. Trata-se de um salto em relação à média de 77-80% registada nos modelos anteriores.

Maior facilidade de utilização permitida aos investigadores

A configuração do YOLOv5 foi uma experiência simples e sem esforço para os investigadores. Os utilizadores foram guiados de A a Z ao longo de todo o processo de configuração, permitindo que a equipa começasse a utilizar o YOLOv5 em menos de uma hora.

A versatilidade melhorada permitiu que os investigadores aplicassem o YOLOv5 a diferentes ambientes aquáticos

Em poucos dias, utilizando um pequeno conjunto de dados de 3000 imagens sem aumento, o grupo conseguiu treinar os AUVs para trabalharem em lagos e rios. Apesar da água turva e de outras condições adversas, os AUVs treinados com o YOLOv5 conseguiram detetar e identificar plástico com elevada precisão.

"Estávamos à procura de um algoritmo de deteção de objectos que produzisse uma elevada precisão e fosse extremamente rápido. Os ambientes oceânicos em que trabalhamos são terrenos duros e difíceis. O YOLOv5 foi o melhor modelo de deteção de objectos que poderíamos ter utilizado em todas as frentes.
"Adoramos utilizar o YOLOv5 porque é muito fácil de configurar e utilizar e tem produzido os resultados que pretendíamos de forma consistente.
"Para quaisquer modelos futuros que venhamos a implementar, iremos considerar o YOLOv5 como a nossa primeira escolha, sem qualquer sombra de dúvida."
Gautam TataInvestigador de aprendizagem automática

Consulte o repositório DeepPlastic, o artigo publicado e o vídeo de recapitulação.

Vamos construir juntos o futuro
da IA!

Comece a sua viagem com o futuro da aprendizagem automática

Comece gratuitamente
Ligação copiada para a área de transferência