Caso di studio: DeepPlastic e YOLOv5
Scopri come Ultralytics affronta l'inquinamento da plastica negli oceani utilizzando AUV e YOLOv5 per un rilevamento e una raccolta efficienti sott'acqua.
La plastica sta soffocando la fauna marina: ogni minuto, due camion carichi di plastica vengono scaricati nei nostri oceani, per un totale di oltre 10 milioni di tonnellate all'anno. Gli scienziati di DeepPlastic affermano che questa plastica marina rappresenta una minaccia per la società, poiché mette a rischio "l'ambiente marino, la sicurezza alimentare, la salute umana, l'ecoturismo e il contributo al cambiamento climatico".
Per contrastare questo fenomeno, questo team di ricercatori e ingegneri ha studiato come la computer vision possa eliminare la plastica dai nostri oceani.
Grazie alla tecnologia del deep learning, i ricercatori di DeepPlastic hanno sviluppato un approccio che utilizza veicoli subacquei autonomi (AUV) per scansionare, identificare e quantificare la plastica situata appena sotto la superficie dell'oceano, dove la luce può ancora penetrare, ovvero nello strato epipelagico.
“Il nostro obiettivo era avere un modello molto piccolo, con una velocità di inferenza molto elevata, che potesse essere utilizzato per rilevare la plastica.” Jay Lowe, ricercatore di Machine Learning
Il team di DeepPlastic ha addestrato due modelli piccoli e precisi, YOLOv4 e YOLOv5, consentendo il rilevamento degli oggetti in tempo reale. Questi modelli sono stati addestrati sul dataset DeepTrash, composto da:
- 1900 immagini di addestramento, 637 immagini di test, 637 immagini di validazione (suddivisione 60, 20, 20)
- Immagini sul campo scattate al lago Tahoe, nella baia di San Francisco e nella baia di Bodega, in CA.
- Immagini provenienti da Internet
“Cercavamo un algoritmo di rilevamento degli oggetti che producesse un'elevata accuratezza e fosse estremamente veloce. Gli ambienti oceanici in cui lavoriamo sono terreni impervi e accidentati. Ultralytics YOLOv5 ha soddisfatto ogni requisito, rivelandosi il miglior modello di rilevamento degli oggetti che avremmo potuto utilizzare.” “Adoriamo utilizzare YOLOv5 perché è facilissimo da configurare e usare e produce costantemente i risultati che desideriamo.” “Per qualsiasi modello futuro che implementeremo, considereremo YOLOv5 la nostra prima scelta, senza ombra di dubbio.” Gautam Tata, ricercatore di Machine Learning
Scopri il repository di DeepPlastic, l'articolo pubblicato e il video riepilogativo.
