Descubre cómo Ultralytics se enfrenta a la contaminación por plásticos de los océanos utilizando AUVs y YOLOv5 para una detección y limpieza submarinas eficaces.
El plástico está asfixiando a la fauna marina: cada minuto se vierten dos camiones de plástico en nuestros océanos, lo que equivale a más de 10 millones de toneladas al año. Los científicos de DeepPlastic afirman que este plástico marino plantea amenazas sociales al "medio ambiente marino, la seguridad alimentaria, la salud humana, el ecoturismo y las contribuciones al cambio climático."
Para combatirlo, este equipo de investigadores e ingenieros ha estado investigando cómo la visión por ordenador puede eliminar el plástico de nuestros océanos.
Con tecnología de aprendizaje profundo, los investigadores de DeepPlastic han desarrollado un enfoque que utiliza vehículos submarinos autónomos (AUV) para escanear, identificar y cuantificar el plástico situado justo debajo de la superficie del océano, donde la luz aún puede penetrar, o capa epipelágica.
"Nuestro objetivo era tener un modelo muy diminuto con una velocidad de inferencia muy rápida que pudiera utilizarse para detectar plástico".
Jay LoweInvestigador de Aprendizaje Automático
El equipo de DeepPlastic entrenó dos modelos pequeños y precisos, YOLOv4 y YOLOv5que permiten detectar objetos en tiempo real. Estos modelos se entrenaron en el conjunto de datos DeepTrash, formado por:
Un AUV es un robot que se desplaza bajo el agua. Son vehículos lentos que pueden deslizarse libremente hasta las profundidades oceánicas y volver a la superficie. Hay que instalar un modelo de aprendizaje profundo en los AUV para que puedan identificar y recoger plástico bajo el agua. Los AUV pueden desplegarse en tres sencillos pasos para detectar plástico bajo el agua.
1. Instalar un modelo de aprendizaje profundo en un AUV
2. Escanea el océano
3. Identificar el plástico
El equipo de DeepPlastic probó varios modelos de aprendizaje profundo, como YOLOv4 y Faster R-CNN, en AUV. Sin embargo, los investigadores se encontraron con una serie de retos que hacían problemática la limpieza de los océanos.
Sin ningún experto en aprendizaje profundo en el equipo, los investigadores no pudieron sacar el máximo partido de los modelos de aprendizaje profundo.
La inferencia es la rapidez con la que el AUV puede reconocer el plástico. Con YOLOv4 y R-CNN más rápido, los AUV no eran tan eficaces en la detección de plástico, lo que mermaba su capacidad para limpiar el agua.
YOLOv4 y Faster R-CNN sólo tuvieron una media del 77%-80% de aciertos al identificar el plástico.
Al utilizar Faster R-CNN, los AUV identificaron como plástico entre un 3 y un 5% de los corales, por debajo de la norma aceptable.
Al cambiar a YOLOv5, los investigadores vieron una transformación inmediata. Aumentó la precisión, se maximizó la velocidad y la sencillez de YOLOv5 lo hizo accesible a todos los miembros del equipo.
Velocidad de inferencia un 20% más rápida de media en comparación con la R-CNN más rápida
Tasa de precisión del 93
Menos de una hora de instalación YOLOv5
Había varios aspectos de YOLOv5 que permitían al equipo trabajar fácilmente con él, basándose en el sencillo proceso paso a paso que hemos establecido en el repositorio.
YOLOv5 presentó velocidades de inferencia un 20% más rápidas que Faster RCNN, procesando una media de 1 imagen en 9 milisegundos. Como resultado, los AUV pudieron detectar plástico flotante a mayor velocidad, lo que aumentó la cantidad de plástico capturado y la eficacia general del proyecto.
Los índices de precisión se situaron en una media del 85%, que a veces llegó al 93%. Esto supone un salto respecto a la media del 77-80% de los modelos anteriores.
La configuración de YOLOv5 fue una experiencia fluida y sin esfuerzo para los investigadores. Los usuarios fueron guiados de la A a la Z durante todo el proceso de configuración, lo que permitió al equipo empezar a utilizar YOLOv5 en menos de una hora.
En un par de días, utilizando un pequeño conjunto de datos de 3000 imágenes sin aumento, el grupo pudo entrenar a los AUV para trabajar en lagos y ríos. A pesar del agua turbia y otras malas condiciones, los AUV entrenados en YOLOv5 pudieron detectar e identificar el plástico con gran precisión.
"Buscábamos un algoritmo de detección de objetos que produjera una gran precisión y fuera extremadamente rápido. Los entornos oceánicos en los que trabajamos son terrenos duros y accidentados. YOLOv5 cumplió en todos los frentes como el mejor modelo de detección de objetos que podíamos utilizar.
"Nos encanta utilizar YOLOv5 , ya que es muy fácil de configurar y utilizar, y ha producido los resultados que queríamos de forma constante.
"Para cualquier modelo futuro que vayamos a desplegar, consideraremos YOLOv5 como nuestra primera opción sin ninguna sombra de duda".
Gautam TataInvestigador de Aprendizaje Automático
Consulta el repositorio de DeepPlastic, el artículo publicado y la recapitulación en vídeo.
Comienza tu viaje con el futuro del aprendizaje automático
