Örnek Olay İncelemesi: DeepPlastic ve YOLOv5

Plastik denizlerdeki vahşi yaşamı boğuyor: her dakika iki kamyon dolusu plastik okyanuslarımıza atılıyor ve bu da yılda 10 milyon tondan fazla plastik anlamına geliyor. DeepPlastic bilim insanları bu deniz plastiğinin "deniz çevresi, gıda güvenliği, insan sağlığı, eko-turizm ve iklim değişikliğine katkılar" açısından toplumsal tehditler oluşturduğunu belirtiyor.

Bununla mücadele etmek için araştırmacı ve mühendislerden oluşan bu ekip, bilgisayarla görmenin okyanuslarımızdaki plastiği nasıl ortadan kaldırabileceğini araştırıyor.

DeepPlastic araştırmacıları, derin öğrenme teknolojisiyle, okyanus yüzeyinin hemen altında bulunan ve ışığın hala nüfuz edebildiği Epipelajik tabaka olarak adlandırılan plastiklerin taranması, tanımlanması ve ölçülmesi için otonom su altı araçlarını (AUV'ler) kullanan bir yaklaşım geliştirdi.

"Amacımız, plastiği tespit etmek için kullanılabilecek çok hızlı bir çıkarım hızına sahip çok küçük bir modele sahip olmaktı."

Jay Lowe, Makine Öğrenimi Araştırmacısı

DeepPlastic ekibi iki küçük ve hassas modeli eğitti: YOLOv4 ve YOLOv5gerçek zamanlı nesne tespitine olanak tanır. Bu modeller, aşağıdakilerden oluşan DeepTrash veri kümesi üzerinde eğitilmiştir:

• 1900 eğitim görüntüsü, 637 test görüntüsü, 637 doğrulama görüntüsü (60, 20, 20 bölünmüş)
• Tahoe Gölü, San Francisco Körfezi ve Kaliforniya'daki Bodega Körfezi'nden çekilen saha görüntüleri.
• Internet images (<20%) taken by scraping Google Images.
• JAMSTEK JEDI veri setinden Derin Deniz görüntüleri

Otonom Sualtı Araçları (AUV'ler) Nasıl Çalışır?

AUV, su altında seyahat eden bir robottur. Okyanusun derinliklerine serbestçe süzülebilen ve yüzeye geri dönebilen yavaş araçlardır. Su altındaki plastiği tespit edip toplayabilmeleri için AUV'lere bir derin öğrenme modeli kurulmalıdır. AUV'ler su altındaki plastiği tespit etmek için üç kolay adımda konuşlandırılabilir.

1. Bir AUV'ye Derin Öğrenme Modeli Kurun

2. Okyanusu tarayın

3. Plastik Tanımlama

Önceki Derin Öğrenme Modelleri ve Okyanus Temizliği ile İlgili Sorunlar

DeepPlastic ekibi, AUV'lerde YOLOv4 ve Faster R-CNN gibi çeşitli derin öğrenme modellerini test etti. Ancak araştırmacıların karşısına okyanus temizliğini sorunlu hale getiren bir dizi zorluk çıktı.

Araştırmacılara Sınırlı Erişilebilirlik Ekibi Duraklattı

Ekipte herhangi bir derin öğrenme uzmanı olmadığı için araştırmacıların derin öğrenme modellerinden en iyi şekilde yararlanmaları engellendi.

Yavaş Çıkarım Hızı Zayıflatılmış Plastik Algılama

Çıkarım, AUV'nin plastiği ne kadar hızlı tanıyabildiğidir. YOLOv4 ve Faster R-CNN ile AUV'ler plastiği tespit etmede o kadar etkili olamadı ve suyu temizleme kabiliyetleri azaldı.

Nesne Tanımlamada Düşük Doğruluk

YOLOv4 ve Faster R-CNN, plastiği tanımlarken yalnızca ortalama %77-%80 başarı oranına sahipti.

Zayıf Algılama Mercanları Plastik Nesnelerle Karıştırdı

Faster R-CNN kullanıldığında, mercanların %3-5'i AUV'ler tarafından plastik olarak tanımlanmıştır, bu da kabul edilebilir standardın altındadır.

ile Daha Fazla Güç ve Doğruluk YOLOv5

Araştırmacılar YOLOv5 adresine geçtiklerinde anında bir dönüşüm yaşandığını gördüler. Doğruluk artırıldı, hız en üst düzeye çıkarıldı ve YOLOv5 'un basitliği ekipteki herkes için erişilebilir hale geldi.

Daha Hızlı R-CNN ile Karşılaştırıldığında Ortalama %20 Daha Hızlı Çıkarım Hızı

93 Hassasiyet Oranı

Kurulumu Bir Saatten Az Sürer YOLOv5

Artan Erişilebilirlik Araştırmacıların En İyi Şekilde Yararlanmasını Sağladı YOLOv5

Depoda oluşturduğumuz basit adım adım süreci temel alarak ekibin YOLOv5 ile kolayca çalışmasını sağlayan çeşitli yönleri vardı.

• Depoyu indirmek çok kolaydı
• Tüm dokümantasyon açık ve takip edilmesi kolay bir şekilde düzenlenmiştir
• Basitleştirilmiş model eğitimi
• Manuel sonuç kontrolü

Daha Yüksek Çıkarım Hızı Okyanus Temizleme Verimliliğini En Üst Düzeye Çıkarır

YOLOv5 ortalama 1 görüntüyü 9 milisaniyede işleyerek Faster RCNN'den %20 daha hızlı çıkarım hızları sunmuştur. Sonuç olarak, AUV'ler yüzen plastiği daha hızlı bir şekilde tespit edebildi, bu da yakalanan plastik miktarını ve genel proje verimliliğini artırdı.

Hassasiyet Oranlarında Geliştirilmiş Doğruluk

Hassasiyet oranları bazen %93'e kadar çıkan %85'lik bir ortalamaya sahipti. Bu, önceki modellerde görülen %77-80 ortalamasından bir sıçramadır.

Araştırmacılara Daha Fazla Kullanım Kolaylığı Sağlandı

YOLOv5 'un kurulumu araştırmacılar için hem sorunsuz hem de zahmetsiz bir deneyim oldu. Kullanıcılar tüm kurulum süreci boyunca A'dan Z'ye yönlendirilerek ekibin YOLOv5 'u bir saatten kısa bir sürede kullanmaya başlaması sağlandı.

Geliştirilmiş Çok Yönlülük Araştırmacıların YOLOv5 Adresini Farklı Su Ortamlarına Uygulamasına Olanak Sağladı

Birkaç gün içinde, 3000 görüntüden oluşan küçük bir veri setini artırma olmadan kullanan grup, AUV'leri göllerde ve nehirlerde çalışmak üzere eğitmeyi başardı. Bulanık suya ve diğer kötü koşullara rağmen, YOLOv5 adresinde eğitilen AUV'ler plastiği yüksek doğrulukla tespit edip tanımlayabildi.

"Yüksek doğruluk üreten ve son derece hızlı bir nesne algılama algoritması arıyorduk. Çalıştığımız okyanus ortamları sert ve engebeli arazilerdir. YOLOv5 , kullanabileceğimiz en iyi nesne algılama modeli olarak tüm cephelerde başarılı oldu.

"Kurulumu ve kullanımı çok kolay olduğu için YOLOv5 'u kullanmayı seviyoruz ve sürekli olarak istediğimiz sonuçları üretiyor.

"Gelecekte kullanacağımız tüm modeller için ilk tercihimiz hiç şüphesiz YOLOv5 olacak."

Gautam Tata, Makine Öğrenimi Araştırmacısı

‍

DeepPlastic deposuna, yayınlanan makaleye ve video özetine göz atın.

‍