SharkEye utilise Ultralytics YOLOv8 pour la détection d’objets

Surveiller les animaux dans leur habitat naturel, qu’il s’agisse de bovins qui paissent 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. Cela peut souvent demander des heures de patience et de concentration, car les observateurs doivent surveiller attentivement tout changement de comportement ou de mouvement. Même dans ce cas, il est facile de manquer des signes subtils, mais importants.

Grâce à l’intervention de l’intelligence artificielle (AI), ce processus devient plus rapide, plus intelligent et bien plus efficace, ce qui réduit la charge des observateurs humains tout en améliorant la précision. En particulier, la vision par ordinateur peut être utilisée pour suivre les animaux, repérer les dangers et prendre des décisions en temps réel. Des tâches qui prenaient autrefois des heures peuvent désormais être réalisées en quelques minutes, ouvrant de nouvelles possibilités 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 explorer la manière dont l’AI s’attaque aux défis du quotidien. Parmi les sujets présentés figuraient les avancées en matière de détection d’objets en temps réel et de surveillance des animaux, montrant comment l’AI améliore la sécurité et l’efficacité dans différents domaines.

L’un des temps forts de l’événement a été une présentation de Jim Griffin, fondateur d’AI Master Group, au cours de laquelle il a montré comment l’AI appliquée à la vision rend les plages plus sûres en détectant les requins avant qu’ils ne s’approchent trop du rivage. Il a expliqué comment ils ont utilisé Ultralytics YOLOv8, un modèle de vision par ordinateur de pointe, pour identifier précisément les requins 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.

À la découverte de SharkEye : une application de vision par ordinateur#

Jim a commencé sa présentation en présentant Padaro Beach, une destination de surf réputée en Californie où surfeurs et 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 ; ce que nous voulions donc faire, c’était identifier les requins à l’avance. »

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

SharkEye a été créé pour résoudre ce problème, avec le soutien de l’University of California, Santa Barbara. Jim a expliqué comment des drones équipés de caméras AI haute résolution étaient utilisés pour voler à environ 200 pieds au-dessus de l’eau et scanner l’océan en temps réel.

Lorsqu’un requin est détecté, des alertes SMS parviennent à environ 80 personnes, notamment aux maîtres-nageurs, aux propriétaires de magasins de surf et à toute personne inscrite aux mises à jour. Jim a souligné que ces notifications instantanées permettent de réagir rapidement, renforçant la sécurité des usagers de la plage lorsqu’un requin se trouve près du rivage.

Jim a également mentionné que SharkEye dispose d’un tableau de bord en direct où les utilisateurs peuvent consulter les statistiques de détection des requins. Par exemple, sur une période de 12 semaines, le système a identifié deux grands requins et 15 plus petits, soit une moyenne d’un peu plus d’un requin par semaine.

Il a ensuite présenté Neil Nathan, le scientifique qui a dirigé les efforts liés à SharkEye. Bien qu’ayant une formation en études environnementales plutôt qu’en informatique, Nathan a réussi à piloter le projet. Jim a souligné que les outils modernes d’AI, comme ceux utilisés dans SharkEye, sont conçus pour être accessibles, permettant ainsi à des personnes sans formation technique de développer des solutions ayant un impact réel.

Utiliser Ultralytics YOLOv8 pour détecter les requins#

En entrant davantage dans les détails, Jim a expliqué ce qui se passe au cœur de 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 à la détection d’un objet immobile, l’identification d’un requin exige précision et capacité d’adaptation, ce qui fait d’Ultralytics YOLOv8 un choix idéal.

Autre avantage d’Ultralytics YOLOv8 : il pouvait 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 garantir une réaction rapide dans les conditions imprévisibles de l’océan.

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

Après avoir expliqué le fonctionnement de SharkEye et les efforts de collaboration qui le sous-tendent, Jim a présenté une démonstration en direct.

Jim Griffin a commencé sa démonstration en direct en guidant le public à travers un exemple familier : 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 sans effort un bus dans une image.

Fig. 2. Une démonstration de Jim lors de YOLO Vision 2024.

Sa démonstration utilisait le modèle Ultralytics YOLOv8 Nano, une version légère destinée aux appareils peu énergivores comme les drones. C’est ce même modèle qui a été utilisé dans SharkEye pour la détection des requins en temps réel.

Pour donner davantage de contexte, Jim a précisé que le modèle de la démonstration était entraîné sur COCO128, un sous-ensemble plus petit du jeu de données COCO. Le jeu de données COCO contient plus de 20 000 images réparties entre 80 catégories d’objets différentes. Si COCO128 convient bien aux démonstrations rapides, il a souligné que SharkEye avait besoin d’une solution plus robuste : un jeu de données de détection des requins spécifique 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 AI, mais la collecte des bonnes données. Il a commenté : « Le travail principal de ce projet n’était pas l’AI. 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 afin de distinguer les requins, les algues et les autres objets présents dans l’eau. Même si le processus était lent et exigeant, il a posé les bases de tout ce qui a suivi.

Fig. 3. Utilisation de drones pour capturer des images de requins destinées à la détection d’objets en temps réel.

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

Évaluer SharkEye : la précision plutôt que le rappel#

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

En approfondissant l’importance de la précision, Jim a expliqué pourquoi celle-ci comptait davantage que le rappel dans ce cas. « La plupart du temps, les gens s’intéressent au rappel, en particulier dans des domaines comme la santé, où manquer un cas positif peut être critique. Mais dans ce cas, nous ne savions pas combien de requins se trouvaient dans la zone ; ce qui nous importait donc, c’était la précision », a-t-il expliqué. SharkEye a réduit au minimum les fausses alertes en se concentrant sur la précision, permettant ainsi aux maîtres-nageurs et aux autres intervenants d’agir rapidement.

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

Il a conclu sa présentation en comparant les performances de l’AI à celles des humains, notant que la précision de 92 % de SharkEye dépassait largement les 60 % de précision des experts humains. Il a insisté sur cet écart en déclarant : « C’est parce que nous sommes humains. Aussi expert que vous ou moi puissions être, si nous devons rester assis devant un écran toute la journée à chercher des requins, nous finirons inévitablement par laisser notre esprit vagabonder. » Contrairement aux humains, les modèles d’AI ne se fatiguent pas et ne se laissent pas distraire, ce qui en fait une solution fiable pour les tâches nécessitant une surveillance continue.

Ultralytics YOLO11 : le dernier modèle YOLO#

Une citation marquante de la présentation de Jim Griffin, « Six lignes de code pourraient un jour vous sauver la vie », illustre parfaitement à quel point l’AI est devenue avancée tout en restant accessible. Les modèles Ultralytics YOLO ont été créés dans cette optique, afin de rendre les technologies de pointe en vision par ordinateur accessibles aux développeurs et aux entreprises de toutes tailles. Ultralytics YOLO11 va plus loin avec des inférences plus rapides et une précision accrue.

Voici un aperçu rapide de ce qui distingue Ultralytics YOLO11 :

• Architecture repensée : son architecture améliorée du backbone et du neck permet une meilleure extraction des caractéristiques et une précision accrue.
• Facilité d’utilisation : il est accessible via du code Python ou des outils sans code comme Ultralytics HUB.
• Flexibilité entre les tâches : Ultralytics YOLO11 prend en charge des tâches de vision par ordinateur comme la détection d’objets, la segmentation d’instances, la classification d’images, le suivi, l’estimation de pose et les boîtes englobantes orientées (OBB).
• Précision améliorée : Ultralytics YOLO11 atteint une précision moyenne (mAP) supérieure de 22 % à celle de YOLOv8m sur le jeu de données COCO, produisant des détections plus précises.

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

Points clés à retenir#

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

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

Il s’agissait d’une étude de cas fascinante montrant comment une AI accessible permet à des personnes de différents horizons de créer des solutions efficaces. À mesure que l’AI continue d’évoluer, elle transforme les secteurs d’activité et permet à chacun d’exploiter son potentiel pour rendre le monde plus sûr, plus intelligent et plus efficace.

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