Découvrez comment Ultralytics s'attaque à la pollution plastique des océans en utilisant des AUV et YOLOv5 pour une détection et un nettoyage sous-marins efficaces.
Le plastique étouffe la faune marine : chaque minute, deux camions de plastique sont déversés dans nos océans, ce qui équivaut à plus de 10 millions de tonnes par an. Les scientifiques de DeepPlastic affirment que ce plastique marin constitue une menace sociétale pour "l'environnement marin, la sécurité alimentaire, la santé humaine, l'écotourisme et contribue au changement climatique".
Pour lutter contre ce phénomène, cette équipe de chercheurs et d'ingénieurs étudie comment la vision par ordinateur peut éliminer le plastique dans nos océans.
Grâce à la technologie d'apprentissage profond, les chercheurs de DeepPlastic ont développé une approche qui utilise des véhicules sous-marins autonomes (AUV) pour scanner, identifier et quantifier le plastique situé juste sous la surface de l'océan, là où la lumière peut encore pénétrer, ou la couche épipélagique.
« Notre objectif était d'avoir un modèle très petit avec une vitesse d'inférence très rapide qui puisse être utilisé pour détecter le plastique. »
Jay Lowe, Chercheur en apprentissage automatique
L'équipe de DeepPlastic a entraîné deux modèles petits et précis, YOLOv4 et YOLOv5, permettant une détection d'objets en temps réel. Ces modèles ont été entraînés sur l'ensemble de données DeepTrash, qui comprenait :
Un AUV est un robot qui se déplace sous l'eau. Ce sont des véhicules lents qui peuvent glisser librement vers les profondeurs de l'océan et revenir à la surface. Un modèle d'apprentissage profond doit être installé dans les AUV pour qu'ils puissent identifier et collecter le plastique sous l'eau. Les AUV peuvent être déployés en trois étapes faciles pour détecter le plastique sous l'eau.
1. Installation d'un modèle de Deep Learning dans un AUV
2. Scan de l'océan
3. Identification du plastique
L'équipe DeepPlastic a testé plusieurs modèles de Deep Learning tels que YOLOv4 et Faster R-CNN sur des AUV. Cependant, les chercheurs ont été confrontés à une série de défis qui ont rendu le nettoyage des océans problématique.
En l'absence d'experts en Deep Learning dans l'équipe, les chercheurs n'ont pas pu tirer le meilleur parti des modèles de Deep Learning.
L'inférence correspond à la vitesse à laquelle l'AUV peut reconnaître le plastique. Avec YOLOv4 et Faster R-CNN, les AUV n'étaient pas aussi efficaces pour détecter le plastique, ce qui nuisait à leur capacité à nettoyer l'eau.
YOLOv4 et Faster R-CNN n'avaient qu'un taux de réussite moyen de 77 % à 80 % lors de l'identification du plastique.
Lors de l'utilisation de Faster R-CNN, 3 à 5 % des coraux ont été identifiés comme étant du plastique par les AUV, ce qui était inférieur à la norme acceptable.
En passant à YOLOv5, les chercheurs ont constaté une transformation immédiate. La précision a été augmentée, la vitesse a été maximisée et la simplicité de YOLOv5 l'a rendu accessible à tous les membres de l'équipe.
Vitesse d'inférence 20 % plus rapide en moyenne par rapport à Faster R-CNN
Taux de précision de 93 %
Moins d'une heure pour configurer YOLOv5
Plusieurs aspects de YOLOv5 ont permis à l'équipe de travailler facilement avec lui, grâce au processus simple, étape par étape, que nous avons mis en place sur le référentiel.
YOLOv5 a présenté des vitesses d'inférence 20 % plus rapides que Faster RCNN, traitant en moyenne 1 image en 9 millisecondes. Par conséquent, les AUV ont pu détecter le plastique flottant plus rapidement, ce qui a augmenté la quantité de plastique capturée et l'efficacité globale du projet.
Les taux de justesse étaient en moyenne de 85 %, atteignant parfois 93 %. Il s'agit d'un bond par rapport à la moyenne de 77 à 80 % observée avec les modèles précédents.
La configuration de YOLOv5 a été une expérience à la fois simple et transparente pour les chercheurs. Les utilisateurs ont été guidés de A à Z tout au long du processus de configuration, ce qui a permis à l'équipe de démarrer avec YOLOv5 en moins d'une heure.
En quelques jours, en utilisant un petit ensemble de données de 3 000 images sans augmentation, le groupe a pu entraîner les AUV à travailler dans les lacs et les rivières. Malgré l'eau trouble et d'autres mauvaises conditions, les AUV entraînés sur YOLOv5 pouvaient toujours détecter et identifier le plastique avec une grande précision.
« Nous recherchions un algorithme de détection d'objets qui produise une grande précision et qui soit extrêmement rapide. Les environnements océaniques dans lesquels nous travaillons sont des terrains difficiles et accidentés. YOLOv5 a répondu à toutes les exigences en tant que meilleur modèle de détection d'objets que nous aurions pu utiliser. »
« Nous adorons utiliser YOLOv5 car il est si facile à configurer et à utiliser, et il produit constamment les résultats que nous souhaitions. »
« Pour tous les futurs modèles que nous déploierons, nous considérerons YOLOv5 comme notre premier choix sans l'ombre d'un doute. »
Gautam Tata, Chercheur en apprentissage automatique
Consultez le dépôt DeepPlastic, l'article publié et le récapitulatif vidéo.
.webp)