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 fazla ediyor. DeepPlastic bilim insanları, bu okyanus 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 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.

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

DeepPlastic ekibi, gerçek zamanlı nesne tespiti sağlayan YOLOv4 ve YOLOv5 olmak üzere iki küçük ve hassas model eğitti. Bu modeller şu unsurlardan oluşan DeepTrash veri setinde 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 üreten ve son derece hızlı olan bir nesne tespiti algoritması arıyorduk. Çalıştığımız okyanus ortamları zorlu ve engebeli arazilerdir. Ultralytics YOLOv5, kullanabileceğimiz en iyi nesne tespiti modeli olarak her açıdan beklentilerimizi karşıladı.” “Kurulumu ve kullanımı son derece kolay olduğu ve istediğimiz sonuçları sürekli olarak ürettiği için YOLOv5 kullanmayı çok seviyoruz.” “Dağıtacağımız gelecekteki tüm modeller için hiç şüphe yok ki ilk tercihimiz olarak YOLOv5'i değerlendireceğiz.” Gautam Tata, Makine Öğrenimi Araştırmacısı

DeepPlastic deposuna, yayınlanan makaleye ve video özetine göz at.