SharkEye utilizza Ultralytics YOLOv8 per il rilevamento degli oggetti

Il monitoraggio degli animali nei loro habitat naturali, che si tratti di bestiame al pascolo in una fattoria o di squali che si muovono vicino alla riva, è sempre stato importante per la loro sicurezza e il loro benessere. Tuttavia, osservarli manualmente non è facile. Spesso richiede ore di pazienza e massima concentrazione, poiché gli osservatori devono prestare molta attenzione a qualsiasi cambiamento nel comportamento o nei movimenti. Anche così, è facile perdere segni sottili ma importanti.

Grazie all'intervento dell'intelligenza artificiale (AI), questo processo sta diventando più veloce, più intelligente e decisamente più efficiente, riducendo il carico di lavoro degli osservatori umani e migliorando al contempo la precisione. In particolare, la visione artificiale può essere utilizzata per tracciare gli animali, individuare pericoli e prendere decisioni in tempo reale. Attività che un tempo richiedevano ore possono ora essere svolte in pochi minuti, aprendo nuove strade per comprendere il comportamento animale.

Al YOLO Vision 2024 (YV24), un evento ibrido annuale organizzato da Ultralytics, esperti e innovatori si sono riuniti per esplorare come l'AI stia affrontando le sfide quotidiane. Alcuni degli argomenti trattati hanno incluso i progressi nel rilevamento di oggetti in tempo reale e nel monitoraggio degli animali, dimostrando come l'AI stia migliorando la sicurezza e l'efficienza in vari campi.

Uno dei momenti salienti dell'evento è stato l'intervento di Jim Griffin, fondatore di AI Master Group, che ha dimostrato come la vision AI stia rendendo le spiagge più sicure rilevando gli squali prima che si avvicinino troppo alla riva. Ha spiegato come abbiano utilizzato Ultralytics YOLOv8, un modello di visione artificiale all'avanguardia, per identificare accuratamente gli squali in tempo reale, anche in condizioni difficili come onde mosse, riflessi e ostacoli sott'acqua.

In questo articolo, esamineremo più da vicino il progetto SharkEye e condivideremo approfondimenti interessanti tratti dall'intervento di Jim.

Link to this sectionConoscere SharkEye: un'applicazione di visione artificiale#

Jim ha iniziato il suo intervento presentando Padaro Beach, una nota destinazione per il surf in California dove surfisti e squali spesso condividono le stesse acque. Sottolineando la vera sfida del rilevamento degli squali, ha raccontato: “Naturalmente è facile rilevare uno squalo se ti morde, quindi ciò che volevamo fare era identificare gli squali in anticipo”.

Fig 1. Jim sul palco al YOLO Vision 2024.

SharkEye è stato creato per affrontare questo problema, con il supporto dell'Università della California, Santa Barbara. Jim ha descritto come droni dotati di telecamere AI ad alta risoluzione siano stati utilizzati per volare a circa 60 metri sopra l'acqua, scansionando l'oceano in tempo reale.

Se viene rilevato uno squalo, avvisi SMS raggiungono circa 80 persone, tra cui bagnini, proprietari di negozi di surf e chiunque si sia iscritto per ricevere aggiornamenti. Jim ha sottolineato come queste notifiche istantanee consentano risposte rapide, mantenendo i bagnanti più al sicuro quando uno squalo si trova vicino alla riva.

Jim ha anche menzionato che SharkEye dispone di una dashboard live dove gli utenti possono vedere le statistiche di rilevamento degli squali. Ad esempio, in 12 settimane, il sistema ha identificato due grandi squali e 15 più piccoli, con una media di poco più di uno squalo a settimana.

Ha poi presentato Neil Nathan, lo scienziato che ha guidato gli sforzi dietro SharkEye. Nonostante un background in studi ambientali piuttosto che in informatica, Nathan ha guidato il progetto con successo. Jim ha sottolineato come i moderni strumenti di AI, come quelli utilizzati in SharkEye, siano progettati per essere accessibili, consentendo a persone con background non tecnici di sviluppare soluzioni di grande impatto.

Link to this sectionUtilizzare Ultralytics YOLOv8 per rilevare gli squali#

Entrando nei dettagli, Jim ha spiegato cosa c'è dietro SharkEye e come la soluzione di rilevamento degli squali non abbia comportato solo una semplice attività di rilevamento di oggetti. Ha dovuto gestire condizioni dinamiche e imprevedibili, come alghe galleggianti che potevano essere facilmente scambiate per squali. A differenza dell'individuazione di un oggetto stazionario, identificare uno squalo richiede precisione e adattabilità, rendendo YOLOv8 una scelta ideale.

Un altro vantaggio di YOLOv8 è che poteva essere distribuito su un drone senza fare affidamento su server cloud. Jim ha spiegato come questo approccio abbia reso possibile per SharkEye inviare avvisi immediati, una parte essenziale per garantire risposte tempestive in condizioni oceaniche imprevedibili.

Link to this sectionRilevamento di oggetti con sole sei righe di codice#

Dopo aver evidenziato come funziona SharkEye e lo sforzo collaborativo che c'è dietro, Jim ha mostrato una demo dal vivo.

Jim Griffin ha iniziato la sua demo dal vivo guidando il pubblico attraverso un esempio familiare: uno snippet di codice “hello world” per i modelli Ultralytics YOLO. Con sole sei righe di codice Python, ha mostrato come un modello pre-addestrato Ultralytics YOLOv8 potesse rilevare senza sforzo un autobus in un'immagine.

Fig 2. Una demo di Jim al YOLO Vision 2024.

La sua demo ha utilizzato il modello YOLOv8 Nano, una versione leggera per dispositivi a basso consumo come i droni. Lo stesso modello è stato utilizzato in SharkEye per il rilevamento degli squali in tempo reale.

Per fornire ulteriore contesto, Jim ha menzionato che il modello nella demo veniva addestrato su COCO128, un sottoinsieme più piccolo del diffuso dataset COCO. Il dataset COCO contiene oltre 20.000 immagini in 80 diverse categorie di oggetti. Sebbene COCO128 funzioni bene per dimostrazioni rapide, ha sottolineato che SharkEye necessitava di qualcosa di più robusto: un dataset di rilevamento squali specifico per l'applicazione, capace di gestire le complessità degli scenari del mondo reale.

Link to this sectionAddestramento personalizzato di YOLOv8 per SharkEye#

Secondo Jim, la parte più difficile del progetto SharkEye non è stata l'addestramento del modello AI, ma la raccolta dei dati giusti. Ha commentato: “Il lavoro principale di questo progetto non è stato l'AI. Il lavoro principale è stato far volare quei droni per cinque anni, estrarre le immagini da quei video e taggarle in modo appropriato”.

Ha descritto come il team abbia raccolto 15.000 immagini a Padaro Beach. Ogni immagine doveva essere etichettata manualmente per differenziare tra squali, alghe e altri oggetti nell'acqua. Sebbene il processo sia stato lento ed esigente, ha gettato le basi per tutto ciò che è seguito.

Fig 3. Utilizzo di droni per catturare immagini di squali per il rilevamento di oggetti in tempo reale.

Una volta che il dataset è stato pronto, Ultralytics YOLOv8 è stato addestrato in modo personalizzato su di esso. Jim ha detto: “L'addestramento vero e proprio non è stata la parte difficile: ha richiesto solo 20 ore su GPU T4 [Unità di elaborazione grafica]”. Ha anche aggiunto che il tempo avrebbe potuto essere ridotto fino a cinque ore con hardware più potente, come le GPU A100.

Link to this sectionValutazione di SharkEye: precisione rispetto al richiamo#

Successivamente, Jim ha discusso di come sono state valutate le prestazioni di SharkEye. Ha illustrato che la metrica chiave era la precisione: quanto accuratamente il sistema identificava gli squali reali. Con SharkEye che ha raggiunto un'impressionante precisione del 92%, il modello si è dimostrato altamente efficace nell'identificare con precisione gli squali nel complesso ambiente oceanico.

Approfondendo l'importanza della precisione, Jim ha chiarito perché in questo caso la precisione contasse più del richiamo. “Il più delle volte, le persone sono interessate al richiamo, specialmente in aree come l'assistenza sanitaria dove perdere un caso positivo può essere critico. Ma in questo caso, non sapevamo quanti squali ci fossero, quindi ciò che ci interessava era la precisione”, ha spiegato. SharkEye ha garantito che i falsi allarmi fossero ridotti al minimo concentrandosi sulla precisione, rendendo più facile per i bagnini e gli altri soccorritori agire rapidamente.

Fig 4. Jim presenta SharkEye al YOLO Vision 2024.

Ha concluso il suo intervento confrontando l'AI con le prestazioni umane, notando che la precisione del 92% di SharkEye ha superato di gran lunga il 60% di accuratezza degli esperti umani. Ha sottolineato questo divario dicendo: “È perché siamo umani. Non importa quanto tu o io possiamo essere esperti, se dobbiamo stare seduti davanti a uno schermo tutto il giorno a cercare squali, alla fine, lasceremo vagare la mente”. A differenza delle persone, i modelli AI non si stancano e non si distraggono, rendendoli una soluzione affidabile per attività che richiedono un monitoraggio continuo.

Link to this sectionUltralytics YOLO11: il nuovo YOLO#

Un'interessante citazione dell'intervento di Jim Griffin, “Sei righe di codice potrebbero salvarti la vita un giorno”, cattura perfettamente quanto l'AI sia diventata avanzata e accessibile. I modelli Ultralytics YOLO sono stati creati tenendo questo a mente, rendendo la tecnologia di visione artificiale all'avanguardia accessibile a sviluppatori e aziende di ogni dimensione. Ultralytics YOLO11 si basa su questo con inferenze più veloci e maggiore precisione.

Ecco una rapida panoramica di ciò che distingue YOLO11:

• Architettura riprogettata: la sua architettura backbone e neck migliorata consente una migliore estrazione delle caratteristiche e una precisione superiore.
• Facilità d'uso: può essere accessibile tramite programmazione Python o strumenti no-code come Ultralytics HUB.
• Flessibilità tra le attività: YOLO11 supporta attività di visione artificiale come rilevamento di oggetti, segmentazione di istanze, classificazione di immagini, tracciamento, stima della posa e bounding box orientati (OBB).
• Accuratezza migliorata: YOLO11 raggiunge una mean average precision (mAP) superiore del 22% rispetto a YOLOv8m sul dataset COCO, fornendo rilevamenti più precisi.

Queste caratteristiche rendono YOLO11 ideale per il tracciamento del comportamento animale in ambienti dinamici, sia in una fattoria che allo stato selvatico.

Link to this sectionPunti chiave#

I progressi nella vision AI stanno rendendo più facile affrontare le sfide del mondo reale fornendo strumenti pratici per vari settori. Ad esempio, modelli di visione artificiale come YOLO11 possono essere utilizzati per il monitoraggio e il tracciamento in tempo reale degli animali, anche in condizioni difficili.

Il keynote di Jim Griffin allo YV24 ha illustrato come YOLOv8 possa essere utilizzato per risolvere problemi complessi con una codifica minima. Il progetto SharkEye, che combina droni e AI per il rilevamento di squali in tempo reale, ha mostrato come la tecnologia possa migliorare la sicurezza delle spiagge.

È stato un caso di studio affascinante su come l'AI accessibile permetta a persone con background diversi di creare soluzioni efficaci. Mentre l'AI continua a evolversi, sta trasformando i settori e rendendo possibile per gli individui sfruttare il suo potenziale per rendere il mondo un posto più sicuro, più intelligente e più efficiente.

Entra a far parte della nostra community ed esplora il nostro repository GitHub per approfondire l'AI. Dalla visione artificiale nell'agricoltura all'AI nelle auto a guida autonoma, guarda come queste tecnologie stanno guidando l'innovazione. Dai un'occhiata alle nostre opzioni di licenza per iniziare oggi stesso i tuoi progetti AI!