了解Ultralytics 如何利用自动潜航器和YOLOv5 解决海洋塑料污染问题，实现高效的水下探测和清理。
Cookie 设置
点击“接受所有 Cookie”，即表示您同意在您的设备上存储 Cookie，以增强网站导航、分析网站使用情况并协助我们的营销工作。更多信息
了解Ultralytics 如何利用自动潜航器和YOLOv5 解决海洋塑料污染问题，实现高效的水下探测和清理。
塑料正在扼杀海洋野生生物：每分钟都有 两卡车的塑料 被倾倒到我们的海洋中，相当于每年超过 1000 万吨。DeepPlastic 科学家指出，这种海洋塑料对“海洋环境、食品安全、人类健康、生态旅游以及对气候变化的贡献”构成了社会威胁。
为了解决这个问题，这个研究人员和工程师团队一直在研究计算机视觉如何消除我们海洋中的塑料。
借助深度学习技术，DeepPlastic 研究人员开发了一种方法，该方法使用自主水下航行器 (AUV) 来扫描、识别和量化位于海洋表面下方（光线仍然可以穿透）或上层带的塑料。
"我们的目标是建立一个推理速度极快的微小模型，用于detect 塑料"。
Jay Lowe，机器学习研究员
DeepPlastic 团队训练了两个小型精确模型，即YOLOv4和 YOLOv5这两个模型可以进行实时物体检测。这些模型是在DeepTrash 数据集上训练的，其中包括
AUV 是一种在水下航行的机器人。它们是慢速飞行器，可以自由滑行到海洋深处，然后返回水面。AUV 必须安装深度学习模型，才能识别和收集水下塑料。可以通过三个简单的步骤来部署 AUV，以detect 水下的塑料。
1. 将深度学习模型安装到 AUV 中
2. 扫描海洋
3. 识别塑料
DeepPlastic 团队在 AUV 上测试了几个深度学习模型，例如 YOLOv4 和 Faster R-CNN。然而，研究人员面临着一系列挑战，使得海洋清理变得困难。
由于团队中没有任何深度学习专家，研究人员无法充分利用深度学习模型。
推理是指 AUV 识别塑料的速度。使用 YOLOv4 和 Faster R-CNN，AUV 在检测塑料方面的效率不高，从而削弱了它们清理水域的能力。
YOLOv4 和 Faster R-CNN 在识别塑料时，平均成功率仅为 77%-80%。
在使用 Faster R-CNN 时，AUV 将 3-5% 的珊瑚识别为塑料，低于可接受的标准。
改用YOLOv5 后，研究人员看到了立竿见影的变化。准确性提高了，速度最大化了，而且YOLOv5 的简易性使团队中的每个人都能使用它。
平均推理速度比 Faster R-CNN 快 20%
93% 的精确率
不到一小时即可安装YOLOv5
YOLOv5 有几个方面可以让团队根据我们在存储库中建立的简单分步流程轻松地使用它。
YOLOv5 的推理速度比 Faster RCNN 快 20%，平均 9 毫秒即可处理 1 幅图像。因此，自动潜航器能够以更快的速度detect 漂浮的塑料，从而提高了塑料捕获量和整体项目效率。
精确率平均为 85%，有时高达 93%。与之前模型的 77-80% 的平均值相比，这是一个飞跃。
对研究人员来说，YOLOv5 设置是一次无缝和轻松的体验。用户在整个设置过程中都会得到 A-Z 向导，使团队能够在不到一个小时的时间内开始使用YOLOv5 。
几天之内，该研究小组就利用 3000 张图像组成的小型数据集，在没有增强的情况下，训练出了能够在湖泊和河流中工作的自动潜航器。尽管水质浑浊，条件恶劣，但经过YOLOv5 训练的自动潜航器仍能高精度地detect 和识别塑料。
"我们一直在寻找一种既能实现高精度，又能实现极快速度的物体检测算法。我们工作的海洋环境地形恶劣、崎岖不平。YOLOv5 在各方面都很出色，是我们可以使用的最佳物体检测模型。
"我们喜欢使用YOLOv5 ，因为它的设置和使用都非常简单，而且一直都能产生我们想要的结果。
"对于我们今后部署的任何机型，我们都会毫无疑问地将YOLOv5 作为首选"。
Gautam Tata，机器学习研究员
查看 DeepPlastic 仓库、已发表的论文 和 视频回顾。
