Étude de cas : DeepPlastic et YOLOv5
Découvre comment Ultralytics lutte contre la pollution plastique des océans à l’aide d’AUV et de YOLOv5 pour détecter et récupérer efficacement les déchets sous-marins.
Le plastique étouffe la faune marine : chaque minute, deux chargements de camion de plastique sont déversés dans nos océans, soit plus de 10 millions de tonnes par an. Les scientifiques de DeepPlastic déclarent que ce plastique marin constitue une menace pour la société et pour « l’environnement marin, la sécurité alimentaire, la santé humaine, l’écotourisme et les contributions 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 de nos océans.
Grâce à la technologie de deep learning, les chercheurs de DeepPlastic ont mis au point une approche qui utilise des véhicules sous-marins autonomes (AUVs) pour scanner, identifier et quantifier le plastique situé juste sous la surface de l’océan, là où la lumière peut encore pénétrer, dans la couche épipélagique.
« Notre objectif était de disposer d’un modèle très compact, avec une vitesse d’inférence très élevée, qui puisse être utilisé pour détecter le plastique. » Jay Lowe, chercheur en apprentissage automatique
L’équipe de DeepPlastic a entraîné deux modèles compacts et précis, YOLOv4 et YOLOv5, permettant la détection d’objets en temps réel. Ces modèles ont été entraînés sur le jeu de données DeepTrash, qui comprenait :
- 1 900 images d’entraînement, 637 images de test et 637 images de validation (répartition 60, 20, 20)
- Images prises sur le terrain au lac Tahoe, dans la baie de San Francisco et dans la baie de Bodega, en CA.
- Images provenant d’Internet
« Nous recherchions un algorithme de détection d’objets offrant une grande précision et une vitesse extrêmement élevée. Les environnements océaniques dans lesquels nous travaillons sont hostiles et les terrains 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 facile à configurer et à utiliser, et il produit systématiquement les résultats que nous souhaitons. » « Pour tous les futurs modèles que nous déploierons, YOLOv5 sera sans aucun doute notre premier choix. » Gautam Tata, chercheur en apprentissage automatique
Consulte le dépôt DeepPlastic, l’article publié et la vidéo récapitulative.
