SharkEye usa Ultralytics YOLOv8 per il rilevamento degli oggetti

Monitorare gli animali nei loro habitat naturali, che si tratti di bovini al pascolo in una fattoria o di squali che nuotano vicino alla costa, è sempre stato importante per la loro sicurezza e il loro benessere. Tuttavia, osservarli manualmente non è facile. Spesso richiede ore di pazienza e molta attenzione, perché chi li osserva deve controllare attentamente ogni cambiamento nel comportamento o nei movimenti. Anche così, è facile non notare segnali sottili ma importanti.

Grazie all'intelligenza artificiale (AI), questo processo sta diventando più rapido, intelligente e molto più efficiente, riducendo il carico di lavoro degli osservatori e migliorando la precisione. In particolare, la visione artificiale può essere usata per monitorare gli animali, individuare pericoli e prendere decisioni in tempo reale. Attività che prima richiedevano ore ora possono essere svolte in pochi minuti, aprendo nuove possibilità per comprendere il comportamento animale.

A 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. Tra gli argomenti presentati figuravano i progressi nel rilevamento degli oggetti in tempo reale e nel monitoraggio degli animali, a dimostrazione di come l'AI migliori la sicurezza e l'efficienza in diversi ambiti.

Uno dei momenti salienti dell'evento è stato l'intervento di Jim Griffin, fondatore di AI Master Group, che ha mostrato come la Vision AI renda più sicure le spiagge rilevando gli squali prima che si avvicinino troppo alla riva. Ha spiegato come hanno utilizzato Ultralytics YOLOv8, un modello di computer vision, per identificare gli squali con precisione in tempo reale, anche in condizioni difficili come onde agitate, riflessi e ostacoli subacquei.

In questo articolo approfondiremo il progetto SharkEye e condivideremo alcuni spunti interessanti emersi dall'intervento di Jim.

Alla scoperta di 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 condividono spesso le stesse acque. Sottolineando la vera sfida del rilevamento degli squali, ha dichiarato: «Certo, è facile rilevare uno squalo se ti morde; quello che volevamo fare era identificarlo prima».

Fig. 1. Jim sul palco a 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 telecamere AI ad alta risoluzione siano stati usati per volare a circa 200 piedi sopra l'acqua e scandagliare l'oceano in tempo reale.

Quando viene rilevato uno squalo, circa 80 persone ricevono avvisi SMS, tra cui bagnini, proprietari di negozi di surf e chiunque si sia registrato per ricevere aggiornamenti. Jim ha sottolineato come queste notifiche immediate permettano di reagire rapidamente, mantenendo più al sicuro i frequentatori della spiaggia quando uno squalo si avvicina alla costa.

Jim ha anche menzionato che SharkEye dispone di una dashboard in tempo reale in cui gli utenti possono consultare le statistiche sul rilevamento degli squali. Ad esempio, in 12 settimane il sistema ha identificato due squali di grandi dimensioni 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 il progetto SharkEye. Pur avendo una formazione in studi ambientali anziché in informatica, Nathan è riuscito a dirigere il progetto. Jim ha sottolineato che i moderni strumenti di AI, come quelli usati in SharkEye, sono progettati per essere accessibili e consentire anche a persone senza competenze tecniche di sviluppare soluzioni efficaci.

Uso di Ultralytics YOLOv8 per rilevare gli squali#

Entrando più nel dettaglio, Jim ha spiegato cosa si cela dietro SharkEye e perché la soluzione di rilevamento degli squali non consisteva in un semplice compito di rilevamento degli oggetti. Doveva affrontare condizioni dinamiche e imprevedibili, come la presenza di alghe galleggianti che potevano facilmente essere scambiate per squali. A differenza dell'individuazione di un oggetto fermo, identificare uno squalo richiede precisione e adattabilità, caratteristiche che rendono Ultralytics YOLOv8 una scelta efficace.

Un altro vantaggio di Ultralytics YOLOv8 era la possibilità di essere implementato su un drone senza affidarsi a server cloud. Jim ha spiegato che questo approccio ha permesso a SharkEye di inviare avvisi immediati, un elemento essenziale per garantire risposte tempestive nelle imprevedibili condizioni oceaniche.

Rilevamento degli oggetti con sole sei righe di codice#

Dopo aver spiegato il funzionamento di SharkEye e la collaborazione alla base del progetto, Jim ha mostrato una demo dal vivo.

Jim Griffin ha avviato la sua dimostrazione dal vivo illustrando al pubblico 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 preaddestrato potesse rilevare un autobus in un'immagine.

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

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

Per fornire più contesto, Jim ha spiegato che il modello della dimostrazione era stato addestrato su COCO128, un sottoinsieme più piccolo del diffuso dataset COCO. Il dataset COCO contiene circa 330.000 immagini, di cui oltre 200.000 etichettate, distribuite in 80 categorie di oggetti. COCO128 è adatto alle dimostrazioni rapide, ma SharkEye aveva bisogno di qualcosa di più robusto: un dataset specifico per il rilevamento degli squali, in grado di gestire le complessità degli scenari reali.

Addestramento personalizzato di Ultralytics YOLOv8 per SharkEye#

Secondo Jim, la parte più difficile del progetto SharkEye non è stata addestrare il modello di AI, ma raccogliere i 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, selezionare le immagini dai video ed etichettarle correttamente».

Ha descritto come il team abbia raccolto 15.000 immagini a Padaro Beach. Ogni immagine doveva essere etichettata manualmente per distinguere gli squali, le alghe e gli altri oggetti presenti nell'acqua. Il processo è stato lento e impegnativo, ma ha gettato le basi per tutto ciò che è venuto dopo.

Fig. 3. Uso dei droni per acquisire immagini di squali per il rilevamento degli oggetti in tempo reale.

Una volta pronto il dataset, Ultralytics YOLOv8 è stato addestrato in modo personalizzato su di esso. Jim ha detto: «L'addestramento vero e proprio non è stato difficile: sono bastate 20 ore su GPU T4 [unità di elaborazione grafica].» Ha aggiunto che, usando hardware più potente come le GPU A100, il tempo avrebbe potuto ridursi a sole cinque ore.

Valutazione di SharkEye: la precisione prima del richiamo#

Jim ha poi parlato di come è stata valutata l'efficacia di SharkEye. Ha spiegato che la metrica chiave era la precisione, ovvero quanto accuratamente il sistema identificava gli squali effettivamente presenti. Con una precisione del 92%, SharkEye ha dimostrato che il modello era molto efficace nell'identificare accuratamente gli squali nel complesso ambiente marino.

Approfondendo l'importanza della precisione, Jim ha chiarito perché in questo caso fosse più importante del richiamo. «Di solito le persone sono interessate al richiamo, soprattutto in ambiti come la sanità, dove non rilevare un caso positivo può essere grave. Ma in questo caso non sapevamo quanti squali ci fossero, quindi ciò che ci interessava era la precisione», ha spiegato. SharkEye ha ridotto al minimo i falsi allarmi concentrandosi sulla precisione, facilitando così l'intervento tempestivo dei bagnini e degli altri soccorritori.

Fig. 4. Jim presenta SharkEye a YOLO Vision 2024.

Ha concluso il suo intervento confrontando le prestazioni dell'IA con quelle umane e sottolineando che la precisione del 92% di SharkEye superava di gran lunga l'accuratezza del 60% degli esperti umani. Ha evidenziato questa differenza dicendo: «È perché siamo umani. Per quanto esperti tu o io possiamo essere, se dobbiamo stare seduti davanti a uno schermo tutto il giorno a cercare squali, prima o poi finiamo per distrarci». A differenza delle persone, i modelli di IA non si stancano e non si distraggono, il che li rende una soluzione affidabile per le attività che richiedono un monitoraggio continuo.

Ultralytics YOLO11#

Una frase suggestiva dell'intervento di Jim Griffin, «Sei righe di codice potrebbero un giorno salvarti la vita», riassume quanto l'IA sia diventata avanzata e al tempo stesso accessibile. I modelli Ultralytics YOLO sono stati creati proprio con questo obiettivo: rendere la tecnologia avanzata di computer vision accessibile a sviluppatori e aziende di ogni dimensione. Ultralytics YOLO11 migliora ulteriormente queste caratteristiche, offrendo inferenze più veloci e maggiore precisione, ed è stato in seguito sostituito da Ultralytics YOLO26.

Ecco una rapida panoramica di ciò che distingue Ultralytics YOLO11:

• Architettura riprogettata: l'architettura potenziata del backbone e del neck consente una migliore estrazione delle feature e una precisione superiore.
• Facilità d'uso: puoi accedervi scrivendo codice Python o usando strumenti no-code come Ultralytics Platform.
• Flessibilità tra le attività: Ultralytics YOLO11 supporta attività di computer vision come il rilevamento degli oggetti, la segmentazione di istanze, la classificazione delle immagini, la stima della posa, le bounding box orientate (OBB) e il tracciamento.
• Maggiore precisione: Ultralytics YOLO11m ottiene una precisione media (mAP) superiore a YOLOv8m sul dataset COCO utilizzando il 22% di parametri in meno.

Queste caratteristiche rendono Ultralytics YOLO11 ideale per il monitoraggio del comportamento animale in ambienti dinamici, sia in una fattoria sia in natura.

Punti chiave#

I progressi nell'IA visiva rendono più facile affrontare le sfide del mondo reale, offrendo strumenti pratici per diversi settori. Per esempio, i modelli di visione artificiale come Ultralytics YOLO11 possono essere usati per monitorare e tracciare gli animali in tempo reale, anche in condizioni difficili.

La presentazione principale di Jim Griffin a YV24 ha illustrato come Ultralytics YOLOv8 possa risolvere problemi complessi con una quantità minima di codice. Il progetto SharkEye, che combina droni e IA per rilevare gli squali in tempo reale, ha mostrato come la tecnologia possa migliorare la sicurezza sulle spiagge.

È stato un caso di studio convincente su come un'IA accessibile aiuti persone con background diversi a creare soluzioni efficaci.

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