事例紹介：DeepPlastic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、プラスチックを検出するために使用できる、非常に高速な推論速度を備えた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、リアルタイムの物体検出を可能にする、小型で高精度なモデルであるYOLOv4とYOLOv5をトレーニングしました。これらのモデルは、以下の内容で構成されるDeepTrashデータセットでトレーニングされました。

• 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とは、水中を移動するロボットのことです。AUVは、自由に滑空して海底まで移動し、水面に戻ることができる低速の乗り物です。AUVが水中でプラスチックを識別して収集できるようにするには、深層学習モデルをAUVにインストールする必要があります。AUVは、水中でプラスチックを検出するために、簡単な3つのステップで展開できます。

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によるパワーと精度の向上

YOLOv5に切り替えたところ、研究者たちは即座に変化を実感しました。精度が向上し、速度が最大化され、YOLOv5のシンプルさにより、チームの誰もがアクセスできるようになりました。

Faster R-CNNと比較して平均20%高速な推論速度

93%の精度

YOLOv5のセットアップが1時間未満で完了

アクセシビリティの向上により、研究者はYOLOv5を最大限に活用できました

YOLOv5には、リポジトリで確立した簡単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はFaster RCNNより20%高速な推論速度を示し、平均して9ミリ秒で1枚の画像を処理しました。その結果、AUVはより速い速度で浮遊プラスチックを検出することができ、回収されるプラスチックの量とプロジェクト全体の効率が向上しました。

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のセットアップは、研究者にとってシームレスで簡単な体験でした。ユーザーはセットアッププロセス全体を通してAからZまで案内され、チームは1時間以内にYOLOv5を開始できました。

汎用性の向上により、研究者はYOLOv5をさまざまな水環境に適用できました。

数日以内に、拡張なしの3000枚の画像の小さなデータセットを使用して、グループは湖や川で動作するようにAUVをトレーニングすることができました。濁った水やその他の悪条件下でも、YOLOv5でトレーニングされたAUVは、プラスチックを高精度で検出および識別できました。

「私たちは、高い精度を生み出し、非常に高速なオブジェクト検出アルゴリズムを探していました。私たちが活動している海洋環境は、過酷で荒れた地形です。YOLOv5は、私たちが使用できる最高のオブジェクト検出モデルとして、あらゆる面で期待に応えてくれました。」

「YOLOv5はセットアップと使用が非常に簡単で、一貫して私たちが望んでいた結果を生み出しているので、気に入って使用しています。」

「今後導入するモデルについては、間違いなくYOLOv5を第一候補として検討します。」

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。

‍