Caso práctico: DeepPlastic y YOLOv5
Descubre cómo Ultralytics combate la contaminación por plástico en los océanos mediante AUV y YOLOv5 para una detección y limpieza submarinas eficientes.
El plástico está asfixiando a la fauna marina: cada minuto, dos camiones cargados de plástico se vierten en nuestros océanos, lo que equivale a más de 10 millones de toneladas al año. Los científicos de DeepPlastic afirman que este plástico marino supone una amenaza para la sociedad y para «el medio marino, la seguridad alimentaria, la salud humana, el ecoturismo y las contribuciones al cambio climático».
Para combatir este problema, este equipo de investigadores e ingenieros ha estado estudiando cómo la visión artificial puede eliminar el plástico de nuestros océanos.
Mediante tecnología de aprendizaje profundo, los investigadores de DeepPlastic han desarrollado un enfoque que utiliza vehículos submarinos autónomos (AUVs) para explorar, identificar y cuantificar el plástico situado justo por debajo de la superficie del océano, donde la luz aún puede penetrar, es decir, en la capa epipelágica.
«Nuestro objetivo era tener un modelo muy pequeño, con una velocidad de inferencia muy alta, que pudiera utilizarse para detectar plástico.» Jay Lowe, investigador de aprendizaje automático
El equipo de DeepPlastic entrenó dos modelos pequeños y precisos, YOLOv4 y YOLOv5, que permiten detectar objetos en tiempo real. Estos modelos se entrenaron con el conjunto de datos DeepTrash, que constaba de:
- 1900 imágenes de entrenamiento, 637 imágenes de prueba y 637 imágenes de validación (división 60, 20 y 20)
- Imágenes de campo tomadas del lago Tahoe, la bahía de San Francisco y la bahía de Bodega, en California.
- Imágenes de Internet
«Buscábamos un algoritmo de detección de objetos que ofreciera una gran precisión y fuera extremadamente rápido. Los entornos oceánicos en los que trabajamos son hostiles y los terrenos, accidentados. Ultralytics YOLOv5 cumplió todos nuestros requisitos como el mejor modelo de detección de objetos que podríamos haber utilizado.» «Nos encanta utilizar YOLOv5 porque es muy fácil de configurar y usar, y ha producido constantemente los resultados que queríamos.» «Para cualquier modelo futuro que implementemos, consideraremos YOLOv5 como nuestra primera opción, sin ninguna duda.» Gautam Tata, investigador de aprendizaje automático
Echa un vistazo al repositorio de DeepPlastic, al artículo publicado y al vídeo-resumen.
