Descobre como Ultralytics está a combater a poluição de plástico 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 uma ameaça social 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 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 YOLOv5que permitem a deteção de objectos em tempo real. Estes modelos foram treinados no conjunto de dados DeepTrash, que consistia em:
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. Instala um Modelo de Aprendizagem Profunda em um AUV
2. Examina o oceano
3. Identifica o plástico
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.
Sem nenhum especialista em aprendizagem profunda na equipa, os investigadores foram impedidos de tirar o máximo partido dos modelos de aprendizagem profunda.
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.
YOLOv4 e Faster R-CNN só tiveram uma média de 77%-80% de sucesso na identificação 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.
Quando mudaram para 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% Taxa de precisão
Menos de uma hora para instalar YOLOv5
Houve vários aspectos do YOLOv5 que permitiram à equipa trabalhar facilmente com ele, com base no processo simples passo-a-passo que estabelecemos no repositório.
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.
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.
A configuração do YOLOv5 foi uma experiência simples e sem esforço para os investigadores. Os utilizadores foram orientados de A a Z ao longo de todo o processo de configuração, o que permitiu à equipa começar a utilizar o YOLOv5 em menos de uma hora.
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 em 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 podíamos 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 olhar para YOLOv5 como a nossa primeira escolha, sem qualquer sombra de dúvida."
Gautam TataInvestigador de aprendizagem automática
Consulta o repositório DeepPlastic, o artigo publicado e o vídeo de recapitulação.
Começa a tua viagem com o futuro da aprendizagem automática
