Estudo de caso: DeepPlastic e YOLOv5
Descubra como a Ultralytics está a combater a poluição por plástico nos oceanos utilizando AUVs e YOLOv5 para uma deteção e limpeza subaquáticas eficientes.
O plástico está a sufocar a vida marinha: a cada minuto, duas cargas de camião de plástico são despejadas nos nossos oceanos, o que equivale a mais de 10 milhões de toneladas por ano. Os cientistas da DeepPlastic afirmam que este plástico marinho representa ameaças sociais para o "ambiente marinho, a segurança alimentar, a saúde humana, o ecoturismo e as contribuições para as alterações climáticas."
Para combater este problema, esta equipa de investigadores e engenheiros tem estudado como a visão computacional pode eliminar o plástico dos nossos oceanos.
Com tecnologia de aprendizagem profunda, os investigadores da DeepPlastic desenvolveram uma abordagem que utiliza veículos subaquáticos autónomos (AUVs) para analisar, identificar e quantificar o plástico localizado logo abaixo da superfície do oceano, onde a luz ainda consegue penetrar, ou seja, na camada epipelágica.
“O nosso objetivo era ter um modelo muito pequeno, com uma velocidade de inferência muito elevada, que pudesse ser utilizado para detetar plástico.” Jay Lowe, Investigador de Aprendizagem Automática
A equipa da DeepPlastic treinou dois modelos pequenos e precisos, YOLOv4 e YOLOv5, permitindo a deteção de objetos em tempo real. Estes modelos foram treinados no conjunto de dados DeepTrash, que era composto por:
- 1900 imagens de treino, 637 imagens de teste, 637 imagens de validação (divisão 60, 20, 20)
- Imagens de campo captadas no Lago Tahoe, na Baía de São Francisco e na Baía de Bodega, na Califórnia.
- Imagens da Internet
“Estávamos à procura de um algoritmo de deteção de objetos que produzisse elevada precisão e fosse extremamente rápido. Os ambientes oceânicos em que trabalhamos são terrenos hostis e acidentados. O Ultralytics YOLOv5 cumpriu todos os requisitos, sendo o melhor modelo de deteção de objetos que poderíamos ter utilizado.” “Adoramos utilizar o YOLOv5 porque é muito fácil de configurar e utilizar, e tem produzido consistentemente os resultados que pretendíamos.” “Para todos os modelos futuros que iremos implementar, consideraremos o YOLOv5 como a nossa primeira escolha, sem sombra de dúvida.” Gautam Tata, Investigador de Aprendizagem Automática
Consulta o repositório DeepPlastic, o artigo publicado e o vídeo de resumo.
