Étude de cas : DeepPlastic et YOLOv5
Découvre comment Ultralytics lutte contre 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 représente plus de 10 millions de tonnes par an. Les chercheurs de DeepPlastic affirment que ce plastique marin pose des menaces sociétales pour "l'environnement marin, la sécurité alimentaire, la santé humaine, l'écotourisme et la contribution au changement climatique."
Pour lutter contre cela, cette équipe de chercheurs et d'ingénieurs a étudié comment la vision par ordinateur peut éliminer le plastique de nos océans.
Grâce à la technologie de deep learning, les chercheurs de DeepPlastic ont développé une approche utilisant 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, soit la zone épipélagique.
« Notre objectif était d'obtenir un tout petit modèle avec une vitesse d'inférence très rapide pouvant être utilisé pour détecter le plastique. » Jay Lowe, chercheur en apprentissage automatique
L'équipe de DeepPlastic a entraîné deux petits modèles précis, YOLOv4 et YOLOv5, permettant une détection d'objets en temps réel. Ces modèles ont été entraînés sur le DeepTrash dataset, qui se composait de :
- 1900 images d'entraînement, 637 images de test, 637 images de validation (répartition 60/20/20)
- Images de terrain prises à Lake Tahoe, dans la baie de San Francisco et à Bodega Bay en Californie.
- Images provenant d'Internet
« Nous cherchions un algorithme de détection d'objets qui offre une grande précision et soit extrêmement rapide. Les environnements océaniques dans lesquels nous travaillons sont des terrains difficiles et accidentés. Ultralytics YOLOv5 a répondu à toutes nos attentes en tant que meilleur modèle de détection d'objets que nous aurions pu utiliser. » « Nous aimons utiliser YOLOv5 car il est très simple à configurer et à utiliser, et il produit constamment les résultats que nous voulons. » « Pour tous les futurs modèles que nous déployerons, nous considérerons YOLOv5 comme notre premier choix sans le moindre doute. » Gautam Tata, chercheur en Machine Learning
Découvre le répertoire DeepPlastic, l'article publié et la vidéo récapitulative.
