了解 Ultralytics 如何利用 AUV 和 YOLOv5 来解决海洋塑料污染问题，从而实现高效的水下检测和清理。
敬请关注 YOLO Vision 2025！
2025年9月25日
英国夏令时 10:00 - 18:00
混合活动
了解 Ultralytics 如何利用 AUV 和 YOLOv5 来解决海洋塑料污染问题，从而实现高效的水下检测和清理。
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。
“我们的目标是拥有一个非常小的模型，具有非常快的推理速度，可用于检测塑料。”
Jay Lowe，机器学习研究员
DeepPlastic 团队训练了两个小型且精确的模型，YOLOv4 和 YOLOv5，从而实现了实时对象检测。这些模型在 DeepTrash 数据集 上进行了训练，该数据集包含：
AUV 是一种在水下航行的机器人。它们是缓慢的交通工具，可以自由地滑行到海洋深处并返回水面。必须将深度学习模型安装到 AUV 中，以便它们能够识别和收集水下塑料。可以分三个简单的步骤部署 AUV 来检测水下塑料。
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。
切换到 YOLOv5 后，研究人员立即看到了转变。准确率得到提高，速度得到最大化，并且 YOLOv5 的简易性使其团队中的每个人都可以使用。
平均推理速度比 Faster R-CNN 快 20%
93% 的精确率
不到一小时即可设置 YOLOv5
基于我们在存储库中建立的简单分步流程，YOLOv5 的几个方面使团队可以轻松地使用它。
YOLOv5 的推理速度比 Faster RCNN 快 20%，平均在 9 毫秒内处理 1 张图像。因此，AUV 能够以更快的速度检测到漂浮的塑料，从而增加了捕获的塑料量并提高了整体项目效率。
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。
对于研究人员来说，设置 YOLOv5 既无缝又轻松。用户在整个设置过程中都获得了 A-Z 指导，使团队可以在不到一小时的时间内开始使用 YOLOv5。
在几天之内，使用一个由 3000 张没有增强的图像组成的小数据集，该小组就能够训练 AUV 在湖泊和河流中工作。尽管水浑浊和其他恶劣条件，但在 YOLOv5 上训练的 AUV 仍然可以高精度地检测和识别塑料。
“我们一直在寻找一种能够产生高精度且速度极快的物体检测算法。我们工作的海洋环境是恶劣、崎岖的地形。YOLOv5 在各个方面都表现出色，是我们能使用的最好的物体检测模型。
“我们喜欢使用 YOLOv5，因为它非常易于设置和使用，并且它一直在产生我们想要的结果。”
“对于我们未来将要部署的任何模型，毫无疑问，YOLOv5 将是我们的首选。”
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。
.webp)