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, intelligente e decisamente più efficiente, riducendo il carico sugli osservatori umani e migliorando al contempo la precisione. In particolare, la computer vision può essere utilizzata per tracciare animali, individuare pericoli e prendere decisioni in tempo reale. Attività che un tempo richiedevano ore possono ora essere svolte in pochi minuti, aprendo nuove vie per comprendere il comportamento animale.

Durante YOLO Vision 2024 (YV24), un evento ibrido annuale ospitato da Ultralytics, esperti e innovatori si sono riuniti per esplorare come l'AI stia affrontando le sfide quotidiane. Tra gli argomenti presentati figurano i progressi nel rilevamento di oggetti in tempo reale e nel monitoraggio degli animali, a dimostrazione di come l'AI stia migliorando la sicurezza e l'efficienza in vari settori.

Uno dei momenti clou dell'evento è stato l'intervento di Jim Griffin, fondatore di AI Master Group, in cui ha mostrato 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 computer vision all'avanguardia, per identificare con precisione gli squali in tempo reale, anche in condizioni difficili come onde mosse, riflessi e ostacoli sott'acqua.

In questo articolo daremo uno sguardo più ravvicinato al progetto SharkEye e condivideremo spunti interessanti tratti dall'intervento di Jim.

Conoscere 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 i droni dotati di fotocamere AI ad alta risoluzione siano stati utilizzati per volare a circa 200 piedi 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.

Utilizzare Ultralytics YOLOv8 per rilevare gli squali#

Approfondendo i dettagli, Jim ha spiegato cosa c'è sotto il cofano di SharkEye e come la soluzione di rilevamento degli squali non si sia limitata a una semplice attività di object detection. Ha dovuto affrontare condizioni dinamiche e imprevedibili come le alghe galleggianti che potrebbero essere facilmente scambiate per squali. A differenza dell'individuazione di un oggetto stazionario, identificare uno squalo richiede precisione e adattabilità, rendendo Ultralytics YOLOv8 una scelta ideale.

Un altro vantaggio di Ultralytics YOLOv8 è stato il fatto di poter essere deployed on a 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.

Rilevamento 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 appena sei righe di codice Python, ha mostrato come un modello Ultralytics YOLOv8 pre-addestrato 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 Ultralytics 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 celebre 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 aveva bisogno di qualcosa di più robusto: un dataset di rilevamento di squali specifico per l'applicazione in grado di gestire la complessità degli scenari reali.

Addestramento personalizzato di Ultralytics 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 pronto il dataset, Ultralytics YOLOv8 è stato addestrato su misura su di esso. Jim ha dichiarato: "L'addestramento vero e proprio non è stata la parte difficile; ci sono volute solo 20 ore su GPU T4 [Unità di elaborazione grafica]." Ha anche aggiunto che il tempo avrebbe potuto essere ridotto ad appena cinque ore con hardware più potente, come le GPU A100.

Valutazione 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. "La maggior parte delle volte le persone si interessano al richiamo, specialmente in settori come la sanità in cui mancare un caso positivo può essere critico. Ma in questo caso non sapevamo quanti squali ci fossero in giro, quindi ciò di cui ci importava 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.

Ultralytics YOLO11: il nuovo YOLO#

Una citazione intrigante dall'intervento di Jim Griffin, "Sei righe di codice potrebbero salvarti la vita un giorno", cattura perfettamente quanto l'AI sia diventata avanzata ma accessibile. I modelli Ultralytics YOLO sono stati creati con questo in mente, rendendo la tecnologia di computer vision all'avanguardia accessibile a sviluppatori e aziende di ogni dimensione. Ultralytics YOLO11 si basa su questo offrendo inferenze più rapide e una maggiore accuratezza.

Ecco una rapida panoramica di ciò che distingue Ultralytics 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 i task: Ultralytics YOLO11 supporta computer vision tasks come object detection, segmentazione delle istanze, classificazione delle immagini, tracciamento, stima della posa e bounding box orientati (OBB).
• Accuratezza migliorata: Ultralytics YOLO11 ottiene una precisione media media (mAP) superiore del 22% rispetto a YOLOv8m sul dataset COCO, offrendo rilevamenti più precisi.

Queste funzionalità rendono Ultralytics YOLO11 ideale per il tracciamento del comportamento animale in ambienti dinamici, sia in fattoria che in natura.

Punti chiave#

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

Il keynote di Jim Griffin a YV24 ha illustrato come Ultralytics YOLOv8 possa essere utilizzato per risolvere problemi complessi con una codifica minima. Il progetto SharkEye, che combina i droni con l'intelligenza artificiale per il rilevamento degli squali in tempo reale, ha mostrato come la tecnologia possa migliorare la sicurezza in spiaggia.

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 computer vision in agricoltura all'AI nelle auto a guida autonoma, scopri come queste tecnologie guidano l'innovazione. Dai un'occhiata alle nostre opzioni di licensing per iniziare oggi stesso i tuoi progetti di AI!