Estudo de caso: DeepPlastic e YOLOv5

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.

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.

‍