Исследование случая: DeepPlastic и YOLOv5

Пластик душит морскую фауну: каждую минуту в наши океаны сбрасывается два грузовика пластика, что составляет более 10 миллионов тонн в год. Ученые из DeepPlastic утверждают, что этот морской пластик представляет собой социальную угрозу для "морской среды, безопасности продуктов питания, здоровья человека, экотуризма и способствует изменению климата".

Чтобы бороться с этим, эта команда исследователей и инженеров изучала, как компьютерное зрение может устранить пластик в наших океанах.

С помощью технологии глубокого обучения исследователи DeepPlastic разработали подход, который использует автономные подводные аппараты (AUV) для сканирования, идентификации и количественной оценки пластика, расположенного чуть ниже поверхности океана, куда еще может проникать свет, или эпипелагический слой.

"Наша цель состояла в том, чтобы получить очень крошечную модель с очень быстрой скоростью вывода, которую можно было бы использовать для обнаружения пластика".

Джей ЛоуИсследователь в области машинного обучения

Команда DeepPlastic обучила две небольшие и точные модели, YOLOv4 и YOLOv5, позволяющие обнаруживать объекты в режиме реального времени. Эти модели были обучены на наборе данных DeepTrash, который состоял из:

• 1900 тренировочных изображений, 637 тестовых изображений, 637 проверочных изображений (60, 20, 20 раз)
• Полевые снимки, сделанные на озере Тахо, заливе Сан-Франциско и заливе Бодега в Калифорнии.
• Internet images (<20%) taken by scraping Google Images.
• Глубоководные изображения из набора данных JAMSTEK JEDI

Как работают автономные подводные аппараты (AUV)

AUV - это робот, который передвигается под водой. Это медленные транспортные средства, которые могут свободно скользить в океанские глубины и возвращаться на поверхность. Чтобы AUV могли определять и собирать пластик под водой, в них должна быть установлена модель глубокого обучения. Для обнаружения пластика под водой AUV можно развернуть в три простых шага.

1. Установи модель глубокого обучения в AUV

2. Просканируй океан

3. Определите пластик

Проблемы с предыдущими моделями глубокого обучения и очисткой океана

Команда DeepPlastic протестировала на AUV несколько моделей глубокого обучения, таких как YOLOv4 и Faster R-CNN. Однако исследователи столкнулись с целым рядом проблем, которые делали очистку океана проблематичной.

Ограниченная доступность исследователей затормозила работу команды

Не имея в команде экспертов по глубокому обучению, исследователи не могли получить максимум от моделей глубокого обучения.

Медленная скорость выводов Ослабленное обнаружение пластика

Вывод - это то, насколько быстро AUV может распознать пластик. С YOLOv4 и Faster R-CNN AUV стали не так эффективны в обнаружении пластика, что подрывает их способность очищать воду.

Низкая точность идентификации объектов

YOLOv4 и Faster R-CNN имели в среднем лишь 77-80 % успеха при идентификации пластика.

Плохое распознавание путает кораллы с пластиковыми предметами

При использовании Faster R-CNN 3-5% кораллов были идентифицированы AUV как пластиковые, что было ниже допустимой нормы.

Большая мощность и точность с YOLOv5

Перейдя на YOLOv5, исследователи сразу же заметили изменения. Точность повысилась, скорость стала максимальной, а простота YOLOv5 сделала его доступным для всех членов команды.

Скорость умозаключений в среднем на 20% выше по сравнению с более быстрой R-CNN

93% точности

Установка занимает меньше часа YOLOv5

Повышенная доступность позволила исследователям получить максимальную отдачу от YOLOv5

В YOLOv5 было несколько аспектов, которые позволили команде легко работать с ним, основываясь на простом пошаговом процессе, который мы установили в репозитории.

• Скачать репозиторий было проще простого
• Вся документация была организована в четкой и понятной манере
• Упрощенное обучение модели
• Ручная проверка результатов

Более высокая скорость составления выводов Максимальная эффективность очистки океана

YOLOv5 показал на 20% более высокую скорость вывода, чем Faster RCNN, обрабатывая в среднем 1 изображение за 9 миллисекунд. В результате AUV смогли обнаруживать плавающий пластик с большей скоростью, что увеличило количество выловленного пластика и общую эффективность проекта.

Повышенная точность в точных показателях

Показатели точности были на уровне 85 %, а иногда доходили до 93 %. Это скачок по сравнению с 77-80%, которые наблюдались у предыдущих моделей.

Большая простота использования позволила исследователям

Настройка YOLOv5 прошла для исследователей легко и непринужденно. Пользователи получали инструкции от А до Я на протяжении всего процесса настройки, что позволило команде приступить к работе с YOLOv5 менее чем за час.

Улучшенная универсальность позволила исследователям применять YOLOv5 в различных водных средах.

Уже через пару дней, используя небольшой набор данных из 3000 изображений без дополнения, группа смогла обучить AUV работать в озерах и реках. Несмотря на мутную воду и другие плохие условия, AUV, обученные на сайте YOLOv5 , все равно могли обнаруживать и идентифицировать пластик с высокой точностью.

"Мы искали алгоритм обнаружения объектов, который бы давал высокую точность и был чрезвычайно быстрым. Океанская среда, в которой мы работаем, - это суровая, пересеченная местность. YOLOv5 показал себя по всем параметрам как лучшая модель обнаружения объектов, которую мы могли использовать.

"Нам нравится использовать YOLOv5 , ведь его так просто настроить и использовать, и он постоянно приносит результаты, которые мы хотели.

"Для любых будущих моделей, которые мы будем разворачивать, мы будем рассматривать YOLOv5 как наш первый выбор без тени сомнения".

Гаутам ТатаИсследователь в области машинного обучения

‍

Ознакомься с репозиторием DeepPlastic, опубликованной статьей и видеоотчетом.

‍