사례 연구: DeepPlastic 및 YOLOv5

플라스틱은 해양 야생 생물을 질식시키고 있습니다. 매분마다 두 트럭 분량의 플라스틱이 바다에 버려지고 있으며, 이는 연간 1천만 톤이 넘는 양입니다. DeepPlastic 과학자들은 이 해양 플라스틱이 "해양 환경, 식품 안전, 인간 건강, 생태 관광 및 기후 변화에 대한 기여"에 사회적 위협을 가한다고 말합니다.

이를 해결하기 위해 연구원과 엔지니어 팀은 컴퓨터 비전이 해양의 플라스틱을 제거할 수 있는 방법을 연구해 왔습니다.

딥러닝 기술을 통해 DeepPlastic 연구원들은 자율 수중 차량(AUV)을 사용하여 빛이 여전히 투과할 수 있는 수면 바로 아래, 즉 외해층에 위치한 플라스틱을 스캔, 식별 및 정량화하는 접근 방식을 개발했습니다.

“저희의 목표는 플라스틱을 탐지하는 데 사용할 수 있는 매우 빠른 추론 속도를 가진 매우 작은 모델을 갖는 것이었습니다.”

Jay Lowe, 머신러닝 연구원

DeepPlastic 팀은 실시간 객체 탐지를 위해 작고 정확한 두 가지 모델인 YOLOv4와 YOLOv5를 훈련했습니다. 이 모델은 다음으로 구성된 DeepTrash 데이터 세트에서 훈련되었습니다.

• 1900개의 훈련 이미지, 637개의 테스트 이미지, 637개의 유효성 검사 이미지(60, 20, 20 분할)
• 캘리포니아의 타호 호수, 샌프란시스코 만 및 보데가 만에서 촬영한 현장 이미지.
• Internet images (<20%) taken by scraping Google Images.
• JAMSTEK JEDI 데이터 세트의 심해 이미지

자율 수중 차량(AUV) 작동 방식

AUV는 수중을 이동하는 로봇입니다. AUV는 해저 깊은 곳까지 자유롭게 이동했다가 다시 수면으로 돌아올 수 있는 저속 차량입니다. AUV가 수중에서 플라스틱을 식별하고 수집할 수 있도록 딥러닝 모델을 AUV에 설치해야 합니다. AUV는 세 가지 간단한 단계를 거쳐 수중에서 플라스틱을 탐지하는 데 사용할 수 있습니다.

1. 딥러닝 모델을 AUV에 설치합니다.

2. 바다를 스캔합니다.

3. 플라스틱을 식별합니다.

기존 딥러닝 모델 및 해양 정화의 문제점

DeepPlastic 팀은 AUV에서 YOLOv4 및 Faster R-CNN과 같은 여러 딥러닝 모델을 테스트했습니다. 그러나 연구자들은 해양 정화를 어렵게 만드는 다양한 문제에 직면했습니다.

연구자들의 제한적인 접근성으로 인해 팀 운영이 지연됨

팀에 딥러닝 전문가가 없었기 때문에 연구자들은 딥러닝 모델을 최대한 활용하지 못했습니다.

느린 추론 속도로 플라스틱 감지 능력 저하

추론은 AUV가 플라스틱을 얼마나 빨리 인식할 수 있는지를 나타냅니다. YOLOv4 및 Faster R-CNN을 사용했을 때 AUV는 플라스틱을 효과적으로 감지하지 못하여 해수 정화 능력이 저하되었습니다.

낮은 객체 식별 정확도

YOLOv4 및 Faster R-CNN의 플라스틱 식별 성공률은 평균 77%-80%에 불과했습니다.

미흡한 감지 능력으로 산호초를 플라스틱으로 오인

Faster R-CNN을 사용했을 때 AUV는 산호초의 3~5%를 플라스틱으로 식별했으며, 이는 허용 기준에 미치지 못하는 수준이었습니다.

YOLOv5를 통한 향상된 성능 및 정확도

YOLOv5로 전환했을 때 연구자들은 즉각적인 변화를 확인했습니다. 정확도가 향상되고 속도가 최대화되었으며, YOLOv5의 간편함 덕분에 팀의 모든 구성원이 쉽게 접근할 수 있었습니다.

Faster R-CNN 대비 평균 20% 빠른 추론 속도

93%의 정밀도

YOLOv5 설정에 1시간 미만 소요

향상된 접근성으로 연구자들이 YOLOv5를 최대한 활용

저희가 리포지토리에서 구축한 간단한 단계별 프로세스를 기반으로 YOLOv5의 여러 측면을 통해 팀원들이 쉽게 작업할 수 있었습니다.

• 리포지토리 다운로드가 간단했습니다.
• 모든 문서가 명확하고 따라하기 쉬운 방식으로 정리되어 있었습니다.
• 간소화된 모델 학습
• 수동 결과 확인

더 빠른 추론 속도로 해양 정화 효율성 극대화

YOLOv5는 Faster R-CNN보다 20% 더 빠른 추론 속도를 제공하여 평균 9밀리초 만에 1개의 이미지를 처리했습니다. 그 결과 AUV는 더 빠른 속도로 떠다니는 플라스틱을 감지할 수 있었고, 이는 포획되는 플라스틱의 양과 전체 프로젝트 효율성을 증가시켰습니다.

정밀도 향상

정밀도는 평균 85%였으며, 때로는 93%까지 상승했습니다. 이는 이전 모델에서 보였던 평균 77~80%에서 크게 향상된 수치입니다.

연구진의 사용 편의성 향상

연구진은 YOLOv5를 설치하는 과정이 매우 간편하고 수월했다고 밝혔습니다. 전체 설정 과정에 대한 A-Z 안내를 통해 한 시간 이내에 YOLOv5를 시작할 수 있었습니다.

향상된 다재다능성으로 연구진은 YOLOv5를 다양한 수중 환경에 적용할 수 있었습니다.

보강 없이 3,000개의 이미지로 구성된 작은 데이터 세트를 사용하여 며칠 만에 AUV가 호수와 강에서 작동하도록 훈련할 수 있었습니다. 탁한 물과 열악한 조건에도 불구하고 YOLOv5로 훈련된 AUV는 플라스틱을 높은 정확도로 감지하고 식별할 수 있었습니다.

“저희는 높은 정확도와 빠른 속도를 제공하는 객체 감지 알고리즘을 찾고 있었습니다. 저희가 작업하는 해양 환경은 험난하고 거친 지형입니다. YOLOv5는 저희가 사용할 수 있는 최고의 객체 감지 모델로서 모든 면에서 기대를 충족했습니다.

“YOLOv5는 설정과 사용이 매우 간편하고, 저희가 원하는 결과를 지속적으로 제공하고 있어 매우 만족스럽게 사용하고 있습니다.

“향후 배포할 모든 모델에 대해 주저 없이 YOLOv5를 최우선적으로 고려할 것입니다.”

Gautam Tata, 머신 러닝 연구원

‍

DeepPlastic 저장소, 발표 논문 및 비디오 요약을 확인하세요.

‍