SharkEye utilizza 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 si muovono vicino alla riva, è sempre stato importante per la loro sicurezza e il loro benessere. Tuttavia, osservarli manualmente non è facile. Spesso può richiedere ore di pazienza e grande attenzione, poiché gli osservatori devono controllare attentamente ogni cambiamento nel comportamento o nei movimenti. Anche così, è facile non notare segnali sottili ma importanti.

Grazie all’intervento dell’intelligenza artificiale (AI), questo processo sta diventando più rapido, intelligente e molto più efficiente, riducendo il carico sugli osservatori umani e migliorando al contempo la precisione. In particolare, la visione artificiale può essere utilizzata per monitorare gli animali, individuare i pericoli e prendere decisioni in tempo reale. Attività che un tempo richiedevano ore possono ora essere completate in pochi minuti, aprendo nuove possibilità per comprendere il comportamento degli animali.

A YOLO Vision 2024 (YV24), un evento ibrido annuale organizzato da Ultralytics, esperti e innovatori si sono riuniti per esplorare il modo in cui l’AI sta affrontando le sfide quotidiane. Tra gli argomenti presentati figuravano i progressi nel rilevamento degli oggetti in tempo reale e nel monitoraggio degli animali, dimostrando come l’AI stia migliorando la sicurezza e l’efficienza in diversi settori.

Uno dei momenti salienti dell’evento è stato un intervento di Jim Griffin, fondatore di AI Master Group, che ha mostrato come la visione artificiale basata sull’AI stia rendendo più sicure le spiagge rilevando gli squali prima che si avvicinino troppo alla riva. Ha spiegato come abbiano utilizzato Ultralytics YOLOv8, un modello all’avanguardia di visione artificiale, per identificare con precisione gli squali in tempo reale, anche in condizioni difficili come onde agitate, riflessi e ostacoli sottomarini.

In questo articolo analizzeremo più da vicino il progetto SharkEye e condivideremo alcuni spunti interessanti dall’intervento di Jim.

Alla scoperta di SharkEye: un’applicazione di visione artificiale#

Jim ha iniziato il suo intervento presentando Padaro Beach, una rinomata meta per il surf in California, dove surfisti e squali condividono spesso le stesse acque. Sottolineando la vera difficoltà del rilevamento degli squali, ha dichiarato: «Ovviamente, è facile rilevare uno squalo se ti morde, quindi quello che volevamo fare era identificare gli squali in anticipo».

Fig. 1. Jim sul palco di YOLO Vision 2024.

SharkEye è stato creato per affrontare questo problema, con il supporto della University of California, Santa Barbara. Jim ha descritto come i droni dotati di telecamere AI ad alta risoluzione venissero utilizzati per volare a circa 200 piedi sopra l’acqua, analizzando l’oceano in tempo reale.

Quando viene rilevato uno squalo, gli avvisi SMS raggiungono circa 80 persone, tra cui bagnini, proprietari di negozi di surf e chiunque si sia registrato per ricevere aggiornamenti. Jim ha sottolineato come queste notifiche istantanee consentano di reagire rapidamente, mantenendo più al sicuro le persone sulla spiaggia quando uno squalo si trova vicino alla riva.

Jim ha inoltre menzionato che SharkEye dispone di una dashboard in tempo reale in cui gli utenti possono visualizzare le statistiche sul rilevamento degli squali. Per esempio, in 12 settimane il sistema ha identificato due squali grandi e 15 più piccoli, con una media di poco più di uno squalo alla settimana.

Ha poi presentato Neil Nathan, lo scienziato che ha guidato le attività alla base di SharkEye. Nonostante avesse una formazione in studi ambientali anziché in informatica, Nathan ha guidato con successo il progetto. Jim ha sottolineato come i moderni strumenti di AI, come quelli utilizzati in SharkEye, siano progettati per essere accessibili e consentano a persone senza una formazione tecnica di sviluppare soluzioni di grande impatto.

Utilizzare Ultralytics YOLOv8 per rilevare gli squali#

Entrando più nel dettaglio, Jim ha spiegato cosa si cela dietro SharkEye e come la soluzione per il rilevamento degli squali non consistesse semplicemente in un’attività di rilevamento degli oggetti. Doveva gestire condizioni dinamiche e imprevedibili, come le alghe galleggianti, che potevano facilmente essere scambiate per squali. A differenza dell’individuazione di un oggetto fermo, identificare uno squalo richiede precisione e adattabilità, rendendo Ultralytics YOLOv8 una scelta ideale.

Un altro vantaggio di Ultralytics YOLOv8 era la possibilità di essere distribuito su un drone senza dipendere da server cloud. Jim ha spiegato come questo approccio rendesse possibile per SharkEye inviare avvisi immediati: una componente essenziale per garantire risposte tempestive in condizioni oceaniche imprevedibili.

Rilevamento degli oggetti con sole sei righe di codice#

Dopo aver illustrato il funzionamento di SharkEye e il lavoro collaborativo alla base del progetto, 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 Ultralytics YOLOv8 preaddestrato potesse rilevare facilmente un autobus in un’immagine.

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

La sua demo utilizzava 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 maggiore contesto, Jim ha menzionato che il modello della demo veniva addestrato su COCO128, un sottoinsieme più piccolo del dataset COCO. Il dataset COCO contiene oltre 20.000 immagini suddivise in 80 diverse categorie di oggetti. Sebbene COCO128 funzioni bene per dimostrazioni rapide, Jim ha sottolineato che SharkEye aveva bisogno di qualcosa di più robusto: un dataset per il rilevamento degli 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 di AI, ma la raccolta dei dati giusti. Ha commentato: «Il lavoro principale di questo progetto non era l’AI. Il lavoro principale consisteva nel far volare quei droni per cinque anni, estrarre le immagini dai video e assegnare loro le etichette corrette».

Ha descritto come il team avesse raccolto 15.000 immagini a Padaro Beach. Ogni immagine doveva essere etichettata manualmente per distinguere tra squali, alghe e altri oggetti presenti nell’acqua. Sebbene il processo fosse lento e impegnativo, ha gettato le basi per tutto ciò che è seguito.

Fig. 3. Utilizzo 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 su misura utilizzandolo. Jim ha dichiarato: «L’addestramento vero e proprio non è stato difficile: sono bastate 20 ore su GPU T4 [unità di elaborazione grafica].» Ha inoltre aggiunto che, con hardware più potente come le GPU A100, il tempo avrebbe potuto ridursi fino a sole cinque ore.

Valutazione di SharkEye: precisione anziché richiamo#

Jim ha poi illustrato come siano state valutate le prestazioni di SharkEye. Ha spiegato che la metrica principale era la precisione, ovvero l’accuratezza con cui il sistema identificava gli squali reali. Con una precisione del 92%, SharkEye ha dimostrato che il modello era altamente efficace nell’identificare con accuratezza gli squali nel complesso ambiente oceanico.

Approfondendo l’importanza della precisione, Jim ha chiarito perché in questo caso la precisione fosse più importante del richiamo. «La maggior parte delle volte, le persone sono interessate al richiamo, soprattutto in ambiti come la sanità, dove non individuare 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. Concentrandosi sulla precisione, SharkEye ha ridotto al minimo i falsi allarmi, rendendo più facile per i bagnini e gli altri soccorritori intervenire rapidamente.

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

Ha concluso il suo intervento confrontando le prestazioni dell’AI con quelle umane e osservando che la precisione del 92% di SharkEye superava di gran lunga l’accuratezza del 60% degli esperti umani. Ha sottolineato questa differenza dicendo: «È perché siamo esseri 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 lasceremo vagare la mente». A differenza delle persone, i modelli di AI non si stancano né si distraggono, il che li rende una soluzione affidabile per le attività che richiedono un monitoraggio continuo.

Ultralytics YOLO11: l’ultimo YOLO#

Una frase interessante dell’intervento di Jim Griffin, «Un giorno, sei righe di codice potrebbero salvarti la vita», riassume perfettamente quanto l’AI sia diventata avanzata ma al tempo stesso accessibile. I modelli Ultralytics YOLO sono stati creati proprio con questo obiettivo: rendere la tecnologia all’avanguardia della visione artificiale accessibile a sviluppatori e aziende di ogni dimensione. Ultralytics YOLO11 sviluppa ulteriormente questo concetto con inferenze più rapide e una maggiore accuratezza.

Ecco una rapida panoramica degli elementi che distinguono Ultralytics YOLO11:

• Architettura riprogettata: l’architettura migliorata del backbone e del neck consente una migliore estrazione delle caratteristiche e una precisione superiore.
• Facilità d’uso: è accessibile tramite la programmazione Python o strumenti senza codice come Ultralytics HUB.
• Flessibilità tra le attività: Ultralytics YOLO11 supporta attività di visione artificiale come il rilevamento degli oggetti, la segmentazione delle istanze, la classificazione delle immagini, il tracking, la stima della posa e le bounding box orientate (OBB).
• Precisione migliorata: Ultralytics YOLO11 raggiunge una precisione media media (mAP) superiore del 22% rispetto a YOLOv8m sul dataset COCO, fornendo rilevamenti più precisi.

Queste funzionalità rendono Ultralytics YOLO11 particolarmente adatto al monitoraggio del comportamento degli animali in ambienti dinamici, sia in una fattoria sia in natura.

Punti chiave#

I progressi nella visione artificiale basata sull’AI stanno rendendo più semplice affrontare le sfide del mondo reale, fornendo strumenti pratici per diversi settori. Per esempio, i modelli di visione artificiale come Ultralytics YOLO11 possono essere utilizzati per il monitoraggio e il tracking degli animali in tempo reale, 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 quantità minima di codice. Il progetto SharkEye, che combina droni e AI per il rilevamento degli squali in tempo reale, ha mostrato come la tecnologia possa migliorare la sicurezza sulle spiagge.

È stato un caso di studio affascinante su come un’AI accessibile consenta a persone con background diversi di creare soluzioni efficaci. Mentre l’AI continua a evolversi, sta trasformando i settori e permettendo alle persone di sfruttarne il potenziale per rendere il mondo più sicuro, intelligente ed 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, scopri come queste tecnologie stiano promuovendo l’innovazione. Dai un’occhiata alle nostre opzioni di licenza per iniziare oggi i tuoi progetti di AI!