사례 연구: 딥플라스틱과 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.

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

Jay Lowe, 머신러닝 연구원

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

• 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. 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 detect 위해 AUV는 세 가지 간단한 단계로 배치할 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.

YOLOv5 더욱 강력해진 성능과 정확성

YOLOv5 전환한 후 연구원들은 즉각적인 변화를 경험했습니다. 정확도가 향상되고 속도가 극대화되었으며, YOLOv5 단순성 덕분에 팀원 모두가 쉽게 사용할 수 있게 되었습니다.

Faster R-CNN 대비 평균 20% 빠른 추론 속도

93%의 정밀도

한 시간도 채 걸리지 않는 YOLOv5 설정하기

접근성 향상으로 연구자들이 YOLOv5 최대한 활용할 수 있게 되었습니다.

리포지토리에 설정한 간단한 단계별 프로세스를 기반으로 팀이 쉽게 작업할 수 있었던 몇 가지 측면이 YOLOv5 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

YOLOv5 평균 9밀리초 만에 이미지 1장을 처리하여 Faster RCNN보다 20% 더 빠른 추론 속도를 보여주었습니다. 그 결과, AUV는 더 빠른 속도로 떠다니는 플라스틱을 detect 수 있었고, 포획된 플라스틱의 양과 전반적인 프로젝트 효율성이 증가했습니다.

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

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

향상된 범용성을 통해 연구원들은 다양한 수질 환경에 YOLOv5 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 YOLOv5 훈련된 AUV는 높은 정확도로 플라스틱을 detect 식별할 수 있었습니다.

"저희는 정확도가 높고 속도가 매우 빠른 물체 감지 알고리즘을 찾고 있었습니다. 우리가 작업하는 해양 환경은 거칠고 거친 지형입니다. YOLOv5 모든 면에서 우리가 사용할 수 있는 최고의 물체 감지 모델이었어요.

"설정과 사용이 매우 간편하고 원하는 결과를 일관되게 얻을 수 있어 YOLOv5 즐겨 사용하고 있습니다.

"향후 배포할 모든 모델에 대해 한 치의 의심도 없이 YOLOv5 첫 번째 선택으로 고려할 것입니다."

Gautam Tata, 머신 러닝 연구원

‍

DeepPlastic 저장소, 발표 논문 및 비디오 요약을 확인하세요.

‍