Пример из практики: DeepPlastic и YOLOv5

Пластик губит морскую флору и фауну: каждую минуту в океан сбрасывается два грузовика пластика, что составляет более 10 миллионов тонн в год. Ученые DeepPlastic утверждают, что этот морской пластик представляет собой угрозу для "морской среды, безопасности пищевых продуктов, здоровья человека, экотуризма и вносит вклад в изменение климата".

Чтобы бороться с этим, эта команда исследователей и инженеров изучает, как компьютерное зрение может устранить пластик в наших океанах.

С помощью технологии глубокого обучения исследователи DeepPlastic разработали подход, который использует автономные подводные аппараты (AUV) для сканирования, идентификации и количественной оценки пластика, расположенного непосредственно под поверхностью океана, где свет все еще может проникать, или в эпипелагическом слое.

“Наша цель состояла в том, чтобы создать очень маленькую модель с очень высокой скоростью инференса, которую можно было бы использовать для обнаружения пластика.”

Джей Лоу, Исследователь машинного обучения

Команда DeepPlastic обучила две небольшие и точные модели, YOLOv4 и YOLOv5, что позволило осуществлять обнаружение объектов в реальном времени. Эти модели были обучены на наборе данных DeepTrash, который состоял из:

• 1900 изображений для обучения, 637 изображений для тестирования, 637 изображений для валидации (разделение 60, 20, 20)
• Полевые изображения, снятые с озера Тахо, залива Сан-Франциско и залива Бодега в Калифорнии.
• Internet images (<20%) taken by scraping Google Images.
• Изображения из морских глубин из набора данных JAMSTEK JEDI

Как работают автономные подводные аппараты (AUV)

Автономный подводный аппарат (AUV) — это робот, который перемещается под водой. Это медленные аппараты, которые могут свободно скользить на глубину океана и обратно на поверхность. В AUV должна быть установлена модель глубокого обучения, чтобы они могли идентифицировать и собирать пластик под водой. AUV можно развернуть в три простых шага для обнаружения пластика под водой.

1. Установите модель глубокого обучения в AUV

2. Сканирование океана

3. Идентификация пластика

Проблемы предыдущих моделей глубокого обучения и очистка океана

Команда DeepPlastic протестировала несколько моделей глубокого обучения, таких как YOLOv4 и Faster R-CNN на AUV. Однако исследователи столкнулись с рядом проблем, которые сделали очистку океана проблематичной.

Ограниченный доступ исследователей затормозил работу команды

Из-за отсутствия экспертов по глубокому обучению в команде, исследователи не могли получить максимальную отдачу от моделей глубокого обучения.

Низкая скорость инференса ослабила обнаружение пластика

Определение пластика — это то, насколько быстро AUV может распознать пластик. С YOLOv4 и Faster R-CNN AUV были не так эффективны в обнаружении пластика, что снижало их способность очищать воду.

Низкая точность идентификации объектов

YOLOv4 и Faster R-CNN имели средний показатель успеха при идентификации пластика всего 77%-80%.

Плохое обнаружение: кораллы были ошибочно приняты за пластиковые объекты

При использовании Faster R-CNN 3-5% кораллов были идентифицированы AUV как пластик, что было ниже приемлемого стандарта.

Бо́льшая мощность и точность с YOLOv5

При переходе на YOLOv5 исследователи увидели немедленную трансформацию. Точность была увеличена, скорость была максимально увеличена, а простота YOLOv5 сделала его доступным для всех членов команды.

В среднем на 20% выше скорость инференса по сравнению с Faster R-CNN

93% Точность

Менее часа на настройку YOLOv5

Повышенная доступность позволила исследователям максимально эффективно использовать YOLOv5

Было несколько аспектов YOLOv5, которые позволили команде легко с ней работать, основываясь на простом пошаговом процессе, который мы установили в репозитории.

• Загрузка репозитория прошла без проблем
• Вся документация была организована четко и удобно для восприятия
• Упрощенное обучение моделей
• Ручная проверка результатов

Максимальная скорость инференса для повышения эффективности очистки океана

YOLOv5 продемонстрировала на 20% более высокую скорость инференса, чем Faster RCNN, обрабатывая в среднем 1 изображение за 9 миллисекунд. В результате, AUV смогли быстрее обнаруживать плавающий пластик, что увеличило количество собранного пластика и общую эффективность проекта.

Повышенная точность показателей прецизионности

Показатели точности составляли в среднем 85%, а иногда достигали 93%. Это скачок по сравнению со средним показателем 77-80%, наблюдавшимся в предыдущих моделях.

Более легкое использование для исследователей

Настройка YOLOv5 была для исследователей простой и не требующей усилий. Пользователи получали пошаговые инструкции на протяжении всего процесса настройки, что позволило команде начать работу с YOLOv5 менее чем за час.

Улучшенная универсальность позволила исследователям применить YOLOv5 в различных водных средах

В течение нескольких дней, используя небольшой набор данных из 3000 изображений без аугментации, группа смогла обучить AUV работать в озерах и реках. Несмотря на мутную воду и другие неблагоприятные условия, AUV, обученные на YOLOv5, по-прежнему могли обнаруживать и идентифицировать пластик с высокой точностью.

“Мы искали алгоритм обнаружения объектов, который обеспечивает высокую точность и чрезвычайно быстр. Океаническая среда, в которой мы работаем, - это суровые, неровные местности. YOLOv5 оправдала все ожидания как лучшая модель обнаружения объектов, которую мы могли бы использовать.”

“Нам нравится использовать YOLOv5, потому что ее так легко настроить и использовать, и она стабильно дает результаты, которые мы хотели.”

“Для любых будущих моделей, которые мы будем развертывать, мы будем рассматривать YOLOv5 как наш первый выбор, без тени сомнения.”

Гаутам Тата, Исследователь машинного обучения

‍

Ознакомьтесь с репозиторием DeepPlastic, опубликованной статьей и видеообзором.

‍