사례 연구: 딥플라스틱과 YOLOv5

플라스틱은 해양 야생동물을 질식시키고 있습니다. 매분 트럭 두 대 분량의 플라스틱이 바다에 버려지고 있으며, 이는 연간 천만 톤이 넘는 양에 해당합니다. 딥플라스틱 과학자들은 이러한 해양 플라스틱이 "해양 환경, 식품 안전, 인간 건강, 생태 관광, 기후 변화에 대한 기여"에 사회적 위협을 가하고 있다고 말합니다.

이를 해결하기 위해 이 연구팀과 엔지니어들은 컴퓨터 비전을 통해 바다에서 플라스틱을 제거하는 방법을 연구하고 있습니다.

딥러닝 기술을 통해 딥플라스틱 연구원들은 자율 수중 차량(AUV)을 사용하여 빛이 투과할 수 있는 바다 표면 바로 아래, 즉 표층에 위치한 플라스틱을 스캔, 식별 및 정량화하는 접근 방식을 개발했습니다.

"우리의 목표는 플라스틱을 감지하는 데 사용할 수 있는 매우 빠른 추론 속도를 가진 초소형 모델을 만드는 것이었습니다."

제이 로우, 머신러닝 연구원

딥플라스틱 팀은 작고 정밀한 두 가지 모델인 YOLOv4와 YOLOv5를 학습시켜 실시간 물체 감지가 가능하도록 했습니다. 이 모델들은 다음과 같이 구성된 딥트래시 데이터 세트로 학습되었습니다:

• 1900개의 훈련 이미지, 637개의 테스트 이미지, 637개의 검증 이미지(60개, 20개, 20개 분할)
• 캘리포니아의 타호 호수, 샌프란시스코 베이, 보데가 베이에서 촬영한 현장 이미지입니다.
• Internet images (<20%) taken by scraping Google Images.
• 잼스텍 JEDI 데이터 세트의 심해 이미지

자율 수중 차량(AUV)의 작동 원리

AUV는 수중을 이동하는 로봇입니다. 이 로봇은 바다 깊은 곳까지 자유롭게 활공했다가 다시 수면으로 돌아올 수 있는 느린 이동 수단입니다. 수중에서 플라스틱을 식별하고 수거할 수 있으려면 딥러닝 모델을 AUV에 설치해야 합니다. 수중 플라스틱을 탐지하기 위해 AUV는 세 가지 간단한 단계로 배치할 수 있습니다.

1. AUV에 딥러닝 모델 설치하기

2. 바다 스캔

3. 플라스틱 식별

기존 딥러닝 모델과 해양 청소의 문제점

딥플라스틱 팀은 YOLOv4와 Faster R-CNN과 같은 여러 딥러닝 모델을 AUV에서 테스트했습니다. 그러나 연구원들은 해양 청소에 어려움을 겪는 다양한 문제에 직면했습니다.

제한된 연구자 접근성으로 인해 팀이 지체되었습니다.

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

느린 추론 속도로 인한 플라스틱 감지 약화

추론은 AUV가 플라스틱을 얼마나 빨리 인식할 수 있는지를 의미합니다. YOLOv4와 더 빠른 R-CNN을 사용하면 AUV가 플라스틱을 감지하는 데 효과적이지 않아 수중 청소 능력이 떨어집니다.

낮은 물체 식별 정확도

YOLOv4와 Faster R-CNN의 플라스틱 식별 성공률은 평균 77%~80%에 불과했습니다.

산호와 플라스틱 물체를 혼동하는 감지 불량

Faster R-CNN을 사용했을 때, 허용 기준보다 낮은 3~5%의 산호가 AUV에 의해 플라스틱으로 확인되었습니다.

YOLOv5로 더욱 강력해진 성능과 정확성

YOLOv5로 전환한 후 연구원들은 즉각적인 변화를 경험했습니다. 정확도가 향상되고 속도가 극대화되었으며, YOLOv5의 단순성 덕분에 팀원 모두가 쉽게 사용할 수 있게 되었습니다.

더 빠른 R-CNN과 비교했을 때 평균 20% 더 빠른 추론 속도

93% 정확도

한 시간도 채 걸리지 않는 YOLOv5 설정하기

접근성 향상으로 연구자들이 YOLOv5를 최대한 활용할 수 있게 되었습니다.

리포지토리에 설정한 간단한 단계별 프로세스를 기반으로 팀이 쉽게 작업할 수 있었던 몇 가지 측면이 YOLOv5에 있었습니다.

• 리포지토리 다운로드는 간단했습니다.
• 모든 문서가 명확하고 이해하기 쉬운 방식으로 정리되어 있습니다.
• 간소화된 모델 훈련
• 수동 결과 확인

추론 속도 향상으로 해양 청소 효율성 극대화

YOLOv5는 평균 9밀리초 만에 이미지 1장을 처리하여 Faster RCNN보다 20% 더 빠른 추론 속도를 보여주었습니다. 그 결과, AUV는 더 빠른 속도로 떠다니는 플라스틱을 감지할 수 있었고, 포획된 플라스틱의 양과 전반적인 프로젝트 효율성이 증가했습니다.

향상된 정밀도 정확도

정확도는 평균 85% 수준이었으며 때로는 93%까지 올라갔습니다. 이는 이전 모델의 평균 77~80%에서 크게 향상된 수치입니다.

연구자의 사용 편의성 향상

YOLOv5 설정은 연구원들에게 매끄럽고 쉬운 경험이었습니다. 전체 설정 프로세스에 걸쳐 사용자에게 A부터 Z까지 안내를 제공했기 때문에 팀은 한 시간 이내에 YOLOv5를 시작할 수 있었습니다.

향상된 범용성을 통해 연구원들은 다양한 수질 환경에 YOLOv5를 적용할 수 있었습니다.

이 그룹은 증강 없이 3,000개의 이미지로 구성된 작은 데이터 세트를 사용하여 며칠 만에 호수와 강에서 작업할 수 있도록 AUV를 훈련시킬 수 있었습니다. 흐린 물과 기타 열악한 조건에도 불구하고 YOLOv5로 훈련된 AUV는 높은 정확도로 플라스틱을 감지하고 식별할 수 있었습니다.

"우리는 정확도가 높고 속도가 매우 빠른 물체 감지 알고리즘을 찾고 있었습니다. 우리가 작업하는 해양 환경은 거칠고 거친 지형입니다. YOLOv5는 모든 면에서 우리가 사용할 수 있는 최고의 물체 감지 모델이었어요.

"설정과 사용이 매우 간편하고 원하는 결과를 일관되게 얻을 수 있어 YOLOv5를 즐겨 사용하고 있습니다.

"향후 배포할 모든 모델에서 한 치의 의심도 없이 YOLOv5를 첫 번째 선택으로 고려할 것입니다."

가우탐 타타, 머신러닝 연구원

‍

DeepPlastic 리포지토리, 게시된 논문 및 동영상 요약본을 확인하세요.

‍