ケーススタディディーププラスティックとYOLOv5

プラスチックは海洋生物を窒息させています。毎分、2台分のトラックに相当するプラスチックが海に投棄されており、年間1,000万トンを超えています。DeepPlasticの研究者によると、この海洋プラスチックは「海洋環境、食品安全、人間の健康、エコツーリズム、気候変動への貢献」に対して社会的脅威をもたらしています。

これに対抗するため、この研究者とエンジニアのチームは、コンピュータビジョンが海洋のプラスチックをどのように排除できるかを調査してきました。

深層学習技術により、DeepPlasticの研究者たちは、自律型水中車両（AUV）を使用して、光がまだ透過できる水面直下、つまり上部表層に存在するプラスチックをスキャン、識別、定量化するアプローチを開発しました。

「私たちの目標は、プラスチックのdetect 使用できる、推論速度が非常に速い非常に小さなモデルを持つことでした」。

Jay Lowe、機械学習研究者

DeepPlasticチームは、YOLOv4とYOLOv5という2つの小型で精密なモデルをトレーニングしました。 YOLOv5を学習し、リアルタイムの物体検出を可能にした。これらのモデルはDeepTrashデータセットで学習された：

• 1900枚の学習画像、637枚のテスト画像、637枚の検証画像（60/20/20分割）
• カリフォルニア州のタホ湖、サンフランシスコ湾、ボデガ湾で撮影されたフィールド画像。
• Internet images (<20%) taken by scraping Google Images.
• JAMSTEK JEDIデータセットからの深海画像

自律型水中ビークル（AUV）はどのように機能するか

AUVは水中を移動するロボットである。深海まで自由に滑空し、海面に戻ってくることができる低速の乗り物である。AUVが水中でプラスチックを識別・回収するためには、ディープラーニング・モデルを搭載する必要がある。AUVは、水中でプラスチックをdetect するために、3つの簡単なステップで展開することができる。

1. 深層学習モデルをAUVにインストールする

2. 海洋のスキャン

3. プラスチックの識別

従来の深層学習モデルと海洋清掃の問題点

DeepPlasticチームは、AUV上でYOLOv4やFaster R-CNNなどのいくつかの深層学習モデルをテストしました。しかし、研究者たちは海洋清掃を困難にするさまざまな課題に直面しました。

研究者へのアクセス制限がチームの活動を停滞させた

チームに深層学習の専門家がいなかったため、研究者は深層学習モデルを最大限に活用することができませんでした。

推論速度の遅延によるプラスチック検出の弱体化

推論は、AUVがプラスチックを認識する速度に影響します。YOLOv4やFaster R-CNNでは、AUVはプラスチックの検出があまり効果的ではなく、水質浄化能力を損なっていました。

物体識別の精度が低い

YOLOv4とFaster R-CNNは、プラスチックの識別において平均77％〜80％の成功率しかありませんでした。

検出不良により、サンゴがプラスチックオブジェクトと混同されました

Faster R-CNNを使用した場合、AUVによってサンゴの3〜5％がプラスチックとして識別されましたが、これは許容基準を下回っていました。

YOLOv5パワーと精度が向上

YOLOv55に切り替えると、研究者たちはすぐに変化を実感した。精度は向上し、スピードは最大化され、YOLOv5 5のシンプルさによってチームの誰もが利用できるようになった。

Faster R-CNNと比較して平均20%高速な推論速度

93%の精度

YOLOv5セットアップは1時間以内

アクセシビリティの向上により、研究者はYOLOv5最大限に活用できるようになった

YOLOv5 、私たちがリポジトリ上で確立したシンプルなステップ・バイ・ステップのプロセスに基づいて、チームが簡単に作業できるようにするいくつかの側面がありました。

• リポジトリのダウンロードは簡単でした。
• すべてのドキュメントは、明確でわかりやすい方法で整理されていました。
• 簡素化されたモデルトレーニング
• 手動による結果チェック

推論速度の向上による海洋浄化効率の最大化

YOLOv5 、Faster RCNNよりも推論速度が20%速く、平均9ミリ秒で1枚の画像を処理した。その結果、AUVは浮遊プラスチックをより速いスピードでdetect できるようになり、プラスチックの捕獲量とプロジェクト全体の効率が向上した。

精度率の向上

適合率は平均85%で、時には93%に達することもありました。これは、以前のモデルで見られた平均77〜80%からの飛躍的な向上です。

研究者にとっての使いやすさの向上

YOLOv5 セットアップは、研究者たちにとってシームレスで簡単な体験でした。セットアップの全プロセスを通じて、ユーザーはAからZまでガイドされ、チームは1時間もかからずにYOLOv5 使い始めることができた。

YOLOv5 さまざまな水環境に適用できるようになった汎用性の向上

数日のうちに、補強なしの3000枚の画像からなる小さなデータセットを使って、研究グループは湖や川でAUVを訓練することができた。水が濁っているなどの悪条件にもかかわらず、YOLOv5 訓練されたAUVは、高い精度でプラスチックをdetect ・識別することができた。

「私たちは、高精度で非常に高速な物体検出アルゴリズムを探していました。私たちが作業する海洋環境は、過酷で荒い地形です。YOLOv5 、私たちが使用できる最高の物体検出モデルとして、すべての面で貢献してくれました。

YOLOv5 セットアップも使い方も簡単で、コンスタントに結果を出してくれるので、とても気に入っています。

「今後展開するモデルについては、間違いなくYOLOv5 第一候補として検討することになるだろう。

Gautam Tata、機械学習研究者

‍

DeepPlasticリポジトリ、公開論文、およびビデオによる概要をご覧ください。

‍