SharkEye utilise Ultralytics YOLOv8 pour la détection d'objets

Surveiller les animaux dans leur habitat naturel, qu'il s'agisse de bétail dans une ferme ou de requins nageant près du rivage, a toujours été crucial pour leur sécurité et leur bien-être. Cependant, l'observation manuelle n'est pas chose aisée. Elle demande souvent des heures de patience et une concentration soutenue, car les observateurs doivent surveiller attentivement tout changement de comportement ou de mouvement. Même alors, il est facile de passer à côté de signes subtils mais importants.

Grâce à l'intervention de l'intelligence artificielle (IA), ce processus devient plus rapide, plus intelligent et beaucoup plus efficace, réduisant la fatigue 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 perspectives pour comprendre le comportement animal.

Lors de la YOLO Vision 2024 (YV24), un événement hybride annuel organisé par Ultralytics, des experts et des innovateurs se sont réunis pour explorer comment l'IA relève les défis du quotidien. Parmi les sujets abordés, on peut citer les avancées en matière de détection d'objets en temps réel et de surveillance des animaux, illustrant comment l'IA améliore la sécurité et l'efficacité dans divers domaines.

L'un des moments forts de l'événement a été l'intervention de Jim Griffin, fondateur de l'AI Master Group, où il a démontré comment la vision par IA rend les plages plus sûres en détectant les requins avant qu'ils ne s'approchent trop près du rivage. Il a expliqué comment ils ont utilisé Ultralytics YOLOv8, un modèle de vision par ordinateur de pointe, pour identifier avec précision les requins en temps réel, même dans des conditions difficiles comme les vagues agitées, les reflets et les obstacles sous-marins.

Dans cet article, nous examinerons de plus près le projet SharkEye et partagerons les idées intéressantes issues de la présentation de Jim.

Link to this sectionDécouvrir SharkEye : Une application de vision par ordinateur#

Jim a commencé sa présentation en présentant Padaro Beach, une destination de surf bien connue en Californie où les surfeurs et les requins partagent souvent les mêmes eaux. Soulignant le défi réel que représente la détection des requins, il a partagé : « Bien sûr, il est facile de détecter un requin s'il vous mord, donc ce que nous voulions faire, c'est identifier les requins au préalable. »

Fig 1. Jim sur scène à la YOLO Vision 2024.

SharkEye a été créé pour résoudre ce problème, avec le soutien de l'Université de Californie à Santa Barbara. Jim a décrit comment des drones équipés de caméras IA haute résolution étaient utilisés pour voler à environ 60 mètres au-dessus de l'eau, scannant l'océan en temps réel.

Si un requin est détecté, des alertes SMS sont envoyées à environ 80 personnes, dont des maîtres-nageurs, des propriétaires de boutiques de surf et toute personne inscrite aux mises à jour. Jim a souligné comment ces notifications instantanées permettent des réponses rapides, assurant une meilleure sécurité aux baigneurs 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 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 derrière SharkEye. Bien qu'ayant une formation en études environnementales plutôt qu'en informatique, Nathan a dirigé le projet avec succès. Jim a souligné à quel point les outils d'IA modernes, comme ceux utilisés dans SharkEye, sont conçus pour être accessibles, permettant à des personnes sans formation technique de développer des solutions percutantes.

Link to this sectionUtiliser Ultralytics YOLOv8 pour détecter les requins#

Pour entrer dans les détails, Jim a expliqué ce qui se cache sous le capot de SharkEye et comment la solution de détection des requins ne se limitait pas à une simple tâche de détection d'objets. Elle devait faire face à des conditions dynamiques et imprévisibles, comme les algues flottantes qui pouvaient facilement être confondues avec des requins. Contrairement au repérage d'un objet stationnaire, l'identification d'un requin nécessite précision et adaptabilité, faisant de YOLOv8 un choix idéal.

Un autre avantage de YOLOv8 est qu'il pouvait être déployé sur un drone sans dépendre de serveurs cloud. Jim a expliqué comment cette approche permettait à SharkEye d'envoyer des alertes immédiates, un élément essentiel pour garantir des réponses rapides dans les conditions imprévisibles de l'océan.

Link to this sectionLa détection d'objets avec seulement six lignes de code#

Après avoir souligné le fonctionnement de SharkEye et l'effort collaboratif derrière lui, Jim a présenté une démonstration en direct.

Jim Griffin a commencé sa démonstration en direct en présentant à l'audience 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 pré-entraîné pouvait détecter sans effort un bus dans une image.

Fig 2. Une démo par Jim à la YOLO Vision 2024.

Sa démo utilisait le modèle YOLOv8 Nano, une version légère pour les appareils à faible consommation comme les drones. Le même modèle a été utilisé dans SharkEye pour la détection des requins en temps réel.

Pour donner plus de contexte, Jim a mentionné que le modèle utilisé dans la démo était entraîné sur COCO128, un sous-ensemble plus petit du jeu de données COCO largement utilisé. Le jeu de données COCO contient plus de 20 000 images réparties dans 80 catégories d'objets différentes. Bien que COCO128 fonctionne bien pour des démonstrations rapides, il a précisé que SharkEye nécessitait quelque chose de plus robuste : un jeu de données de détection de requins spécifique à l'application, capable de gérer les complexités des scénarios réels.

Link to this sectionEntraînement personnalisé de YOLOv8 pour SharkEye#

Selon Jim, la partie la plus difficile du projet SharkEye n'était pas l'entraînement du modèle d'IA, mais le rassemblement des données appropriées. Il a commenté : « Le travail principal de ce projet n'était pas l'IA. Le travail principal était de piloter ces drones pendant cinq ans, d'extraire les images de ces vidéos et de les étiqueter correctement. »

Il a décrit comment l'équipe a collecté 15 000 images à Padaro Beach. Chaque image devait être étiquetée manuellement pour différencier les requins, les algues et d'autres objets dans l'eau. Bien que le processus fût lent et exigeant, il a jeté les bases de tout ce qui a suivi.

Fig 3. Utilisation de drones pour capturer 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 dessus. Jim a déclaré : « L'entraînement proprement dit n'était pas la partie difficile - cela n'a pris que 20 heures sur des GPU T4 [unités de traitement graphique]. » Il a également ajouté que le temps aurait pu être réduit à seulement cinq heures avec un matériel plus puissant, comme des GPU A100.

Link to this sectionÉvaluer SharkEye : La précision plutôt que le rappel#

Ensuite, Jim a discuté de la manière dont la performance de SharkEye a été évaluée. Il a illustré que la mesure clé était la précision : avec quelle précision le système identifiait les requins réels. Avec une précision impressionnante de 92 %, le modèle s'est avéré très efficace pour identifier correctement les requins dans l'environnement complexe de l'océan.

En approfondissant l'importance de la précision, Jim a clarifié pourquoi la précision importait plus 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 être critique. Mais ici, nous ne savions pas combien de requins se trouvaient là-bas, donc ce qui nous importait, c'était la précision », a-t-il expliqué. SharkEye a veillé à minimiser les fausses alertes en se concentrant sur la précision, permettant aux maîtres-nageurs et autres intervenants d'agir rapidement.

Fig 4. Jim présentant SharkEye à la YOLO Vision 2024.

Il a conclu sa présentation en comparant l'IA à la performance humaine, notant que la précision de 92 % de SharkEye surpassait largement les 60 % de précision des experts humains. Il a souligné cet écart en disant : « C'est parce que nous sommes humains. Peu importe l'expert que vous ou moi puissions être, si nous devons rester assis devant un écran toute la journée à chercher des requins, nous finirons par laisser notre esprit 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.

Link to this sectionUltralytics YOLO11 : Le dernier YOLO#

Une citation intrigante de la présentation de Jim Griffin, « Six lignes de code pourraient vous sauver la vie un jour », capture parfaitement à quel point l'IA est devenue avancée tout en étant accessible. Les modèles Ultralytics YOLO ont été créés dans cet esprit, rendant la technologie de vision par ordinateur de pointe accessible aux développeurs et aux entreprises de toutes tailles. Ultralytics YOLO11 s'appuie sur cela avec des inférences plus rapides et une précision accrue.

Voici un aperçu rapide de ce qui distingue YOLO11 :

• Architecture repensée : Son architecture backbone et neck améliorée permet une meilleure extraction des caractéristiques et une précision accrue.
• Facilité d'utilisation : Il peut être utilisé via le codage Python ou des outils sans code comme Ultralytics HUB.
• Flexibilité des tâches : YOLO11 prend en charge des tâches de vision par ordinateur comme la détection d'objets, la segmentation d'instance, la classification d'images, le suivi, l'estimation de pose et les boîtes englobantes orientées (OBB).
• Précision améliorée : YOLO11 atteint une précision moyenne (mAP) 22 % supérieure par rapport à YOLOv8m sur le jeu de données COCO, offrant des détections plus précises.

Ces fonctionnalités font de YOLO11 un excellent choix pour le suivi du comportement animal dans des environnements dynamiques, que ce soit dans une ferme ou à l'état sauvage.

Link to this sectionPoints clés#

Les avancées en vision par IA facilitent la résolution des défis du monde réel en fournissant des outils pratiques pour divers domaines. Par exemple, des modèles de vision par ordinateur comme YOLO11 peuvent être utilisés pour la surveillance et le suivi en temps réel des animaux, même dans des conditions difficiles.

La keynote de Jim Griffin à la YV24 a illustré comment YOLOv8 peut être utilisé pour résoudre des problèmes complexes avec un codage minimal. Le projet SharkEye, qui combine des drones et l'IA pour la détection des requins en temps réel, a montré comment la technologie peut améliorer la sécurité des plages.

Ce fut une étude de cas fascinante sur la façon dont l'IA accessible permet à des personnes de différents horizons de créer des solutions efficaces. À mesure que l'IA continue d'évoluer, elle transforme les industries et permet aux individus 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 IA. De la vision par ordinateur en agriculture à l'IA dans les voitures autonomes, découvre comment ces technologies stimulent l'innovation. Consulte nos options de licence pour commencer tes projets d'IA dès aujourd'hui !