Vaka Çalışması: DeepPlastic ve YOLOv5

Plastik, deniz canlılarını boğuyor: her dakika iki kamyon dolusu plastik okyanuslarımıza dökülüyor; bu da yılda 10 milyon tondan fazlaya karşılık geliyor. DeepPlastic bilim insanları, bu deniz plastiğinin "deniz ortamı, gıda güvenliği, insan sağlığı, ekoturizm ve iklim değişikliğine katkılar" açısından toplumsal tehditler oluşturduğunu belirtiyor.

Bununla mücadele etmek için bu araştırmacı ve mühendis ekibi, bilgisayarlı görü kullanarak okyanuslarımızdaki plastiğin nasıl ortadan kaldırılabileceğini araştırıyor.

DeepPlastic araştırmacıları, derin öğrenme teknolojisiyle, ışığın hâlâ içeri nüfuz edebildiği okyanus yüzeyinin hemen altında veya Epipelajik katmanda bulunan plastiği taramak, tanımlamak ve miktarını belirlemek için otonom sualtı araçlarını (AUV'ler) kullanan bir yaklaşım geliştirdi.

“Amacımız, plastiği tespit etmek için kullanılabilecek çok küçük bir modele ve çok hızlı bir çıkarım hızına sahip olmaktı.” Jay Lowe, Makine Öğrenimi Araştırmacısı

DeepPlastic ekibi, gerçek zamanlı nesne algılamayı mümkün kılan iki küçük ve hassas model olan YOLOv4 ve YOLOv5 modellerini eğitti. Bu modeller, aşağıdakilerden oluşan DeepTrash veri kümesi üzerinde eğitildi:

• 1.900 eğitim görüntüsü, 637 test görüntüsü, 637 doğrulama görüntüsü (60, 20, 20 bölünmesi)
• Lake Tahoe, San Francisco Körfezi ve Kaliforniya'daki Bodega Körfezi'nden alınan saha görüntüleri.
• İnternet görüntüleri

“Yüksek doğruluk sağlayan ve son derece hızlı bir nesne algılama algoritması arıyorduk. Çalıştığımız okyanus ortamları zorlu ve engebeli arazilerdir. Ultralytics YOLOv5, kullanabileceğimiz en iyi nesne algılama modeli olarak her açıdan beklentilerimizi karşıladı.” “YOLOv5'i kullanmayı çok seviyoruz; kurulumu ve kullanımı çok kolay ve istediğimiz sonuçları sürekli olarak üretiyor.” “Dağıtacağımız gelecekteki tüm modeller için, hiç şüphesiz ilk tercihimiz olarak YOLOv5'i değerlendireceğiz.” Gautam Tata, Makine Öğrenimi Araştırmacısı

DeepPlastic deposuna, yayımlanan makaleye ve video özetine göz at.