SharkEye utilise Ultralytics YOLOv8 pour la détection d’objets

Surveiller les animaux dans leur habitat naturel, qu’il s’agisse de bovins qui broutent dans une ferme ou de requins qui se déplacent près du rivage, a toujours été important pour leur sécurité et leur bien-être. Cependant, les observer manuellement n’est pas facile. Il faut souvent faire preuve de patience pendant des heures et rester concentré, car les observateurs doivent surveiller de près tout changement de comportement ou de déplacement. Même dans ces conditions, il est facile de manquer des signes subtils, mais importants.

Grâce à l’intelligence artificielle (AI), ce processus devient plus rapide, plus intelligent et bien plus efficace, ce qui réduit la charge de travail des observateurs tout en améliorant la précision. En particulier, la vision par ordinateur peut servir à suivre les animaux, à repérer les dangers et à prendre des décisions en temps réel. Des tâches qui prenaient autrefois des heures peuvent désormais être réalisées en quelques minutes, ouvrant de nouvelles perspectives pour comprendre le comportement animal.

Lors de YOLO Vision 2024 (YV24), un événement hybride annuel organisé par Ultralytics, des experts et des innovateurs se sont réunis pour découvrir comment l’IA relève les défis du quotidien. Parmi les sujets présentés figuraient les progrès de la détection d’objets en temps réel et de la surveillance des animaux, qui montrent comment l’IA améliore la sécurité et l’efficacité dans divers domaines.

L’un des moments forts de l’événement était une présentation de Jim Griffin, fondateur d’AI Master Group. Il a montré comment la Vision AI rend les plages plus sûres en détectant les requins avant qu’ils ne s’approchent trop du rivage. Il a expliqué comment Ultralytics YOLOv8, un modèle de vision par ordinateur, leur a permis d’identifier les requins avec précision et en temps réel, même dans des conditions difficiles comme une mer agitée, des reflets éblouissants et des obstacles sous-marins.

Dans cet article, nous allons examiner de plus près le projet SharkEye et partager des informations intéressantes tirées de la présentation de Jim.

Découvrir SharkEye : une application de vision par ordinateur#

Jim a commencé sa présentation en présentant Padaro Beach, un lieu de surf réputé en Californie où les surfeurs et les requins partagent souvent les mêmes eaux. Soulignant le véritable défi que représente la détection des requins, il a déclaré : « Bien sûr, il est facile de détecter un requin s’il vous mord ; nous voulions donc les repérer à l’avance. »

Fig. 1. Jim sur scène lors de YOLO Vision 2024.

SharkEye a été créé pour répondre à ce problème, avec le soutien de l’Université de Californie à Santa Barbara. Jim a expliqué que des drones équipés de caméras IA haute résolution volaient à environ 200 pieds au-dessus de l’eau et balayaient l’océan en temps réel.

Lorsqu’un requin est détecté, des alertes par SMS sont envoyées à environ 80 personnes, notamment aux maîtres-nageurs sauveteurs, aux propriétaires de magasins de surf et à toutes les personnes inscrites aux mises à jour. Jim a souligné que ces notifications instantanées permettent de réagir rapidement et de mieux protéger les personnes présentes sur la plage lorsqu’un requin s’approche du rivage.

Jim a également précisé que SharkEye comprend un tableau de bord en direct qui affiche les statistiques de détection des requins. Par exemple, en 12 semaines, le système a identifié deux grands requins et 15 plus petits, soit un peu plus d’un requin par semaine en moyenne.

Il a ensuite présenté Neil Nathan, le scientifique qui a dirigé les efforts derrière SharkEye. Bien qu’il ait étudié les sciences de l’environnement plutôt que l’informatique, Nathan a mené le projet avec succès. Jim a souligné que les outils modernes d’IA, comme ceux utilisés dans SharkEye, sont conçus pour être accessibles et permettre à des personnes sans formation technique de développer des solutions utiles.

Utiliser Ultralytics YOLOv8 pour détecter les requins#

En entrant davantage dans les détails, Jim a expliqué ce qui se passe en coulisses avec SharkEye et pourquoi la solution de détection des requins ne se limitait pas à une simple tâche de détection d’objets. Elle devait gérer des conditions dynamiques et imprévisibles, comme les algues flottantes, qui pouvaient facilement être confondues avec des requins. Contrairement au repérage d’un objet immobile, l’identification d’un requin exige précision et adaptabilité, ce qui fait d’Ultralytics YOLOv8 un excellent choix.

Un autre avantage d’Ultralytics YOLOv8 était de pouvoir être déployé sur un drone sans dépendre de serveurs cloud. Jim a expliqué que cette approche permettait à SharkEye d’envoyer des alertes immédiates, un élément essentiel pour réagir à temps dans des conditions océaniques imprévisibles.

La détection d’objets en seulement six lignes de code#

Après avoir expliqué le fonctionnement de SharkEye et les efforts de collaboration qui ont permis sa création, Jim a présenté une démonstration en direct.

Jim Griffin a commencé sa démonstration en direct en présentant au public un exemple bien connu : un extrait de code « hello world » pour les modèles Ultralytics YOLO. Avec seulement six lignes de code Python, il a montré comment un modèle Ultralytics YOLOv8 préentraîné pouvait détecter un bus dans une image.

Fig. 2. Démonstration de Jim lors de YOLO Vision 2024.

Sa démonstration utilisait le modèle Ultralytics YOLOv8 Nano, une version légère conçue pour les appareils à faible consommation comme les drones. Le même modèle était utilisé dans SharkEye pour détecter les requins en temps réel.

Pour donner plus de contexte, Jim a précisé que le modèle utilisé dans la démonstration était entraîné sur COCO128, un sous-ensemble plus petit du très utilisé jeu de données COCO. Le jeu de données COCO contient environ 330 000 images, dont plus de 200 000 annotées, réparties en 80 catégories d’objets. COCO128 convient bien aux démonstrations rapides, mais il a souligné que SharkEye avait besoin d’une solution plus robuste : un jeu de données de détection de requins propre à l’application, capable de gérer la complexité des situations réelles.

Entraîner Ultralytics YOLOv8 sur mesure pour SharkEye#

Selon Jim, la partie la plus difficile du projet SharkEye n’était pas l’entraînement du modèle d’IA, mais la collecte des bonnes données. Il a déclaré : « Le travail principal de ce projet n’était pas l’IA. Le travail principal consistait à faire voler ces drones pendant cinq ans, à extraire les images de ces vidéos et à les annoter correctement. »

Il a expliqué que l’équipe avait collecté 15 000 images à Padaro Beach. Chaque image devait être annotée manuellement pour distinguer les requins, les algues et les autres objets présents dans l’eau. Le processus était lent et exigeant, mais il a posé les bases de tout ce qui a suivi.

Fig. 3. Des drones capturent des images de requins pour la détection d’objets en temps réel.

Une fois le jeu de données prêt, Ultralytics YOLOv8 a été entraîné sur mesure avec ces données. Jim a déclaré : « L’entraînement proprement dit n’était pas la partie difficile : il n’a pris que 20 heures sur des GPU T4 [unités de traitement graphique]. » Il a ajouté que le temps aurait pu être réduit à seulement cinq heures avec du matériel plus puissant, comme des GPU A100.

Évaluer SharkEye : privilégier la précision au rappel#

Jim a ensuite expliqué comment les performances de SharkEye avaient été évaluées. Il a montré que la métrique clé était la précision, c’est-à-dire la capacité du système à identifier correctement les vrais requins. Avec une précision de 92 %, SharkEye a démontré que le modèle identifiait très efficacement les requins dans l’environnement océanique complexe.

En approfondissant l’importance de la précision, Jim a expliqué pourquoi elle comptait davantage que le rappel dans ce cas. « La plupart du temps, les gens s’intéressent au rappel, surtout dans des domaines comme la santé, où manquer un cas positif peut avoir de graves conséquences. Mais ici, nous ne savions pas combien de requins se trouvaient dans la zone ; ce qui nous importait, c’était donc la précision », a-t-il expliqué. En privilégiant la précision, SharkEye a réduit les fausses alertes et permis aux maîtres-nageurs sauveteurs et aux autres intervenants d’agir rapidement.

Fig. 4. Jim présente SharkEye lors de YOLO Vision 2024.

Il a conclu son intervention en comparant les performances de l’IA à celles des humains, soulignant que la précision de 92 % de SharkEye dépassait largement les 60 % obtenus par les experts humains. Il a insisté sur cet écart en déclarant : « C’est parce que nous sommes humains. Aussi experts que toi ou moi puissions être, si nous devons rester assis devant un écran toute la journée à chercher des requins, notre esprit finira par vagabonder. » Contrairement aux humains, les modèles d’IA ne se fatiguent pas et ne sont pas distraits, ce qui en fait une solution fiable pour les tâches nécessitant une surveillance continue.

Ultralytics YOLO11#

Cette citation marquante de la présentation de Jim Griffin, « Six lignes de code pourraient un jour vous sauver la vie », illustre à quel point l’IA est devenue avancée et accessible. Les modèles Ultralytics YOLO ont été conçus dans cette optique : rendre les technologies avancées de vision par ordinateur accessibles aux développeurs et aux entreprises de toutes tailles. Ultralytics YOLO11 s’appuie sur ces bases avec des inférences plus rapides et une meilleure précision, avant d’être remplacé par Ultralytics YOLO26.

Voici un aperçu rapide de ce qui distingue Ultralytics YOLO11 :

• Architecture repensée : son backbone et son neck améliorés permettent une meilleure extraction des caractéristiques et une précision accrue.
• Facilité d’utilisation : tu peux y accéder en programmant en Python ou à l’aide d’outils sans code comme Ultralytics Platform.
• Polyvalence des tâches : Ultralytics YOLO11 prend en charge les tâches de vision par ordinateur comme la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose, les boîtes englobantes orientées (OBB) et le suivi.
• Précision améliorée : Ultralytics YOLO11m atteint une précision moyenne moyenne (mAP) supérieure à celle de YOLOv8m sur le jeu de données COCO, tout en utilisant 22 % de paramètres en moins.

Ces fonctionnalités font d’Ultralytics YOLO11 une solution parfaitement adaptée au suivi du comportement animal dans des environnements dynamiques, à la ferme comme à l’état sauvage.

Points clés à retenir#

Les avancées de l’IA en vision facilitent la résolution de problèmes concrets en fournissant des outils pratiques dans différents domaines. Par exemple, les modèles de vision par ordinateur comme Ultralytics YOLO11 peuvent servir à surveiller et à suivre des animaux en temps réel, même dans des conditions difficiles.

La conférence de Jim Griffin à YV24 a montré comment Ultralytics YOLOv8 peut résoudre des problèmes complexes avec un minimum de code. Le projet SharkEye, qui associe des drones à l’IA pour détecter les requins en temps réel, a illustré comment la technologie peut améliorer la sécurité des plages.

C’était une étude de cas convaincante qui montrait comment une IA accessible aide des personnes de différents horizons à créer des solutions efficaces.

Rejoins notre communauté et explore notre dépôt GitHub pour approfondir tes connaissances en IA. De la vision par ordinateur dans l’agriculture à l’IA dans les voitures autonomes, découvre comment ces technologies stimulent l’innovation. Consulte nos options de licence pour lancer tes projets d’IA dès aujourd’hui !