Örnek Olay İncelemesi: DeepPlastic ve YOLOv5

Plastik, deniz yaşamını boğuyor: her dakika iki kamyon dolusu plastik okyanuslarımıza dökülüyor ve bu da yılda 10 milyon tondan fazlasına denk 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, bu araştırmacı ve mühendis ekibi, bilgisayarlı görü teknolojisinin okyanuslarımızdaki plastiği nasıl yok edebileceğini araştırıyor.

Derin öğrenme teknolojisiyle, DeepPlastic araştırmacıları, ışığın hala ulaşabildiği okyanus yüzeyinin hemen altındaki, yani Epipelajik tabakadaki plastiği taramak, tanımlamak ve nicelleştirmek için otonom su altı araçlarını (AUV) kullanan bir yaklaşım geliştirdiler.

“Hedefimiz, plastik tespiti için kullanılabilecek, çok hızlı çıkarım hızına sahip oldukça küçük bir modele sahip olmaktı.” Jay Lowe, Makine Öğrenmesi Araştırmacısı

DeepPlastic ekibi, gerçek zamanlı nesne tespiti sağlayan iki küçük ve hassas model olan YOLOv4 ve YOLOv5 modellerini eğitti. Bu modeller, şunlardan oluşan DeepTrash veri kümesi üzerinde eğitildi:

• 1900 eğitim görüntüsü, 637 test görüntüsü, 637 doğrulama görüntüsü (%60, %20, %20 dağılım)
• Kaliforniya'daki Lake Tahoe, San Francisco Körfezi ve Bodega Körfezi'nden alınan saha görüntüleri.
• İnternet görüntüleri

“Yüksek doğruluk sağlayan ve son derece hızlı olan bir nesne tespit algoritması arıyorduk. Çalıştığımız okyanus ortamları zorlu ve engebeli arazilerdir. YOLOv5, kullanabileceğimiz en iyi nesne tespit modeli olarak her açıdan beklentilerimizi karşıladı.” “Kurulumu ve kullanımı çok kolay olduğu ve tutarlı bir şekilde istediğimiz sonuçları ürettiği için YOLOv5 kullanmayı seviyoruz.” “Dağıtımını yapacağımız gelecekteki tüm modeller için hiç şüphesiz ilk tercihimiz olarak YOLOv5'e bakacağız.” Gautam Tata, Makine Öğrenmesi Araştırmacısı

DeepPlastic deposuna, yayınlanan makaleye ve video özetine göz at.