SharkEye utiliza Ultralytics YOLOv8 para la detección de objetos

Monitorear animales en sus hábitats naturales, ya sea ganado pastando en una granja o tiburones moviéndose cerca de la costa, siempre ha sido importante para su seguridad y bienestar. Sin embargo, observarlos manualmente no es fácil. A menudo puede implicar horas de paciencia y atención cuidadosa, ya que los observadores deben vigilar de cerca cualquier cambio en el comportamiento o el movimiento. Incluso entonces, es fácil pasar por alto señales sutiles pero importantes.

Gracias a la intervención de la inteligencia artificial (IA), este proceso es cada vez más rápido, inteligente y eficiente, lo que reduce la carga para los observadores humanos y mejora la precisión. En particular, la computer vision se puede utilizar para rastrear animales, detectar peligros y tomar decisiones en tiempo real. Las tareas que antes llevaban horas ahora se pueden realizar en minutos, lo que abre nuevas formas de comprender el comportamiento animal.

En YOLO Vision 2024 (YV24), un evento híbrido anual organizado por Ultralytics, expertos e innovadores se reunieron para explorar cómo la IA aborda los desafíos cotidianos. Algunos de los temas presentados incluyeron los avances en la detección de objetos en tiempo real y el animal monitoring, lo que demuestra cómo la IA mejora la seguridad y la eficiencia en diversos campos.

Uno de los momentos destacados del evento fue la charla de Jim Griffin, fundador de AI Master Group, en la que demostró cómo la vision AI hace que las playas sean más seguras al detectar tiburones antes de que se acerquen demasiado a la costa. Explicó cómo utilizaron Ultralytics YOLOv8, un modelo de computer vision de vanguardia, para identificar con precisión tiburones en tiempo real, incluso en condiciones difíciles como olas agitadas, reflejos y obstáculos submarinos.

En este artículo, analizaremos más de cerca el SharkEye project y compartiremos ideas interesantes de la charla de Jim.

Conociendo SharkEye: Una aplicación de visión artificial#

Jim comenzó su charla presentando Padaro Beach, un destino de surf muy conocido en California donde los surfistas y los tiburones a menudo comparten las mismas aguas. Al resaltar el verdadero desafío de la detección de tiburones, compartió: “Por supuesto, es fácil detectar un tiburón si te muerde, así que lo que queríamos hacer era identificar a los tiburones de antemano”.

Fig 1. Jim en el escenario en YOLO Vision 2024.

SharkEye se creó para abordar este problema, con el apoyo de la Universidad de California en Santa Bárbara. Jim describió cómo se utilizaron drones con AI cameras de alta resolución para volar a unos 200 pies sobre el agua y escanear el océano en tiempo real.

Si se detecta un tiburón, las alertas por SMS llegan a unas 80 personas, incluidos socorristas, propietarios de tiendas de surf y cualquier persona que se haya registrado para recibir actualizaciones. Jim señaló cómo estas notificaciones instantáneas permiten respuestas rápidas, manteniendo a los bañistas más seguros cuando hay un tiburón cerca de la costa.

Jim también mencionó que SharkEye cuenta con un panel en vivo donde los usuarios pueden ver estadísticas de detección de tiburones. Por ejemplo, durante 12 semanas, el sistema identificó dos tiburones grandes y 15 más pequeños, un promedio de poco más de un tiburón por semana.

Luego presentó a Neil Nathan, el científico que lideró los esfuerzos detrás de SharkEye. A pesar de tener experiencia en estudios ambientales en lugar de ciencias de la computación, Nathan encabezó con éxito el proyecto. Jim enfatizó cómo las herramientas de IA modernas, como las utilizadas en SharkEye, están diseñadas para ser accesibles, permitiendo que personas con perfiles no técnicos desarrollen soluciones impactantes.

Usando Ultralytics YOLOv8 para detectar tiburones#

Profundizando en los detalles, Jim explicó qué hay bajo el capó de SharkEye y cómo la solución de detección de tiburones no implicaba simplemente una tarea sencilla de object detection. Tenía que lidiar con condiciones dinámicas e impredecibles como las algas flotantes que fácilmente podían confundirse con tiburones. A diferencia de detectar un objeto estático, identificar un tiburón requiere precisión y adaptabilidad, lo que convierte a Ultralytics YOLOv8 en una opción ideal.

Otra ventaja de Ultralytics YOLOv8 fue que se podía deployed on a drone sin depender de servidores en la nube. Jim explicó cómo este enfoque hizo posible que SharkEye enviara alertas inmediatas, una parte esencial para garantizar respuestas oportunas en condiciones oceánicas impredecibles.

Detección de objetos con solo seis líneas de código#

Después de destacar cómo funciona SharkEye y el esfuerzo colaborativo detrás de él, Jim realizó una demostración en vivo.

Jim Griffin comenzó su demostración en vivo guiando al público a través de un ejemplo familiar: un fragmento de código "hola mundo" para Ultralytics YOLO models. Con solo seis líneas de código Python, demostró cómo un modelo Ultralytics YOLOv8 preentrenado podía detectar sin esfuerzo un autobús en una imagen.

Fig 2. Una demostración de Jim en YOLO Vision 2024.

Su demostración utilizó el modelo Ultralytics YOLOv8 Nano, una versión ligera para dispositivos de bajo consumo como los drones. El mismo modelo se utilizó en SharkEye para la detección de tiburones en tiempo real.

Para proporcionar más contexto, Jim mencionó que el modelo de la demostración se estaba entrenando en COCO128, un subconjunto más pequeño del ampliamente utilizado COCO dataset. El conjunto de datos COCO contiene más de 20 000 imágenes en 80 categorías de objetos diferentes. Si bien COCO128 funciona bien para demostraciones rápidas, señaló que SharkEye necesitaba algo más robusto: un conjunto de datos de detección de tiburones específico para la aplicación que pudiera manejar las complejidades de los escenarios del mundo real.

Entrenamiento personalizado de Ultralytics YOLOv8 para SharkEye#

Según Jim, la parte más difícil del proyecto SharkEye no fue entrenar el modelo de IA, sino recopilar los datos correctos. Comentó: “El trabajo principal de este proyecto no fue la IA. El trabajo principal de este proyecto fue volar esos drones durante cinco años, extraer las imágenes de esos videos y etiquetarlas adecuadamente”.

Describió cómo el equipo recopiló 15,000 imágenes en Padaro Beach. Cada imagen tuvo que ser etiquetada manualmente para diferenciar entre tiburones, algas y otros objetos en el agua. Si bien el proceso fue lento y exigente, sentó las bases para todo lo que siguió.

Fig 3. Uso de drones para capturar imágenes de tiburones para la detección de objetos en tiempo real.

Una vez que el conjunto de datos estuvo listo, Ultralytics YOLOv8 fue custom-trained en él. Jim dijo: "El entrenamiento real no fue la parte difícil; solo tomó 20 horas en GPU T4 [Unidades de procesamiento gráfico]". También agregó que el tiempo podría haberse reducido a tan solo cinco horas con un hardware más potente, como las GPU A100.

Evaluación de SharkEye: Precisión sobre recuperación#

Luego, Jim discutió cómo se evaluó el rendimiento de SharkEye. Ilustró que la métrica clave era la precisión: qué tan precisamente identificaba el sistema a los tiburones reales. Con SharkEye logrando una impresionante precisión del 92%, el modelo demostró ser altamente eficaz para identificar con exactitud a los tiburones en medio del complejo entorno oceánico.

Profundizando en la importancia de la precisión, Jim aclaró por qué la precisión importaba más que la recuperación en este caso. "La mayor parte del tiempo, la gente está interesada en la recall, especialmente en áreas como la atención médica donde pasar por alto un caso positivo puede ser crítico. Pero en este caso, no sabíamos cuántos tiburones había por ahí, por lo que lo que nos importaba era la precisión", explicó. SharkEye aseguró que las falsas alarmas se redujeran al mínimo centrándose en la precisión, lo que facilitó que los socorristas y otros equipos de respuesta tomaran medidas rápidamente.

Fig 4. Jim mostrando SharkEye en YOLO Vision 2024.

Concluyó su charla comparando la IA con el rendimiento humano, señalando que la precisión del 92% de SharkEye superó con creces la precisión del 60% de los expertos humanos. Enfatizó esta brecha diciendo: “Es porque somos humanos. No importa cuán experto puedas ser tú o yo, si tenemos que sentarnos frente a una pantalla todo el día buscando tiburones, eventualmente dejaremos que nuestras mentes divaguen”. A diferencia de las personas, los modelos de IA no se cansan ni se distraen, lo que la convierte en una solución confiable para tareas que requieren monitoreo continuo.

Ultralytics YOLO11: El YOLO más reciente#

Una cita interesante de la charla de Jim Griffin, "Seis líneas de código podrían salvarte la vida algún día", capta perfectamente cuán avanzada pero accesible se ha vuelto la IA. Los Ultralytics YOLO models se han creado teniendo esto en cuenta, haciendo que la tecnología de computer vision de vanguardia sea accesible para desarrolladores y empresas de todos los tamaños. Ultralytics YOLO11 se basa en esto con inferencias más rápidas y mayor precisión.

Aquí tienes un vistazo rápido a lo que diferencia a Ultralytics YOLO11:

• Arquitectura rediseñada: Su arquitectura mejorada de backbone y cuello permite una mejor extracción de características y una mayor precisión.
• Facilidad de uso: Se puede acceder a ella a través de código Python o herramientas sin código como Ultralytics HUB.
• Flexibilidad entre tareas: Ultralytics YOLO11 es compatible con computer vision tasks como detección de objetos, segmentación de instancias, clasificación de imágenes, seguimiento, estimación de poses y cuadros delimitadores orientados (OBB).
• Precisión mejorada: Ultralytics YOLO11 alcanza una precisión media superior (mAP) del 22 % en comparación con YOLOv8m en el conjunto de datos COCO, lo que ofrece detecciones más precisas.

Estas características hacen que Ultralytics YOLO11 sea ideal para el seguimiento del comportamiento animal en entornos dinámicos, ya sea en una granja o en la naturaleza.

Conclusiones clave#

Los avances en IA de visión facilitan la resolución de problemas del mundo real al proporcionar herramientas prácticas para diversos campos. Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 se pueden utilizar para el seguimiento y la monitorización en tiempo real de animales, incluso en condiciones difíciles.

La ponencia de Jim Griffin en YV24 ilustró cómo se puede utilizar Ultralytics YOLOv8 para resolver problemas complejos con un código mínimo. El proyecto SharkEye, que combina drones con IA para la detección de tiburones en tiempo real, demostró cómo la tecnología puede mejorar la seguridad en las playas.

Fue un estudio de caso fascinante sobre cómo la IA accesible empodera a personas de diferentes perfiles para crear soluciones efectivas. A medida que la IA continúa evolucionando, está transformando industrias y haciendo posible que las personas aprovechen su potencial para hacer del mundo un lugar más seguro, inteligente y eficiente.

Forma parte de our community y explora nuestro GitHub repository para profundizar en la IA. Desde computer vision in agriculture hasta AI in self-driving cars, descubre cómo estas tecnologías impulsan la innovación. ¡Consulta our licensing options para comenzar tus proyectos de IA hoy mismo!