Acceso usuarios
Maria V DeLaHoz, Toni Monleón Getino, Albert Martín, Odei Garcia Garin, Morgana Vighi, Marina Costa, Valentina De Santis, Caterina Lanfredi, Capt. Daniele Giannelli, Sabina Airoldi
Este estudio evalúa el potencial de la red neuronal convolucional YOLOv8 para detección y clasificación de megafauna y basura flotante en el mar a partir de imágenes aéreas. Se realizaron distintos ensayos con imágenes de cetáceos, obteniendo un rendimiento satisfactorio en casi todas las especies evaluadas, con probabilidades de detección correcta, valores de mAP-50 y valores de F1-score alrededor de 0.9. El mejor compromiso entre overfitting y función de pérdida a lo largo de los ensayos, se observó al ejecutar 500 iteraciones, más allá de las cuales aumentaba fuertemente dicho sobreajuste. A modo comparativo, un ensayo con distintos ítems de basura marina mostró proporciones relativamente altas de detecciones incorrectas y métricas muy fluctuantes durante la validación, ilustrando signos claros de underfitting y sugiriendo posibilidad de mejoras gracias a la flexibilidad del modelo. Se proponen los posibles alcances de YOLOv8 como herramienta de apoyo a actividades de monitoreo para conservación marina.
This study evaluates the potential of the convolutional neural network YOLOv8 for detection and classification of megafauna and floating marine litter, from aerial images. Several runs were conducted with images of various cetacean species, achieving satisfactory performance in most of them, with probabilities of correct detection, mAP-50 values, and F1-scores around 0.9. The best trade-off between overfitting and loss function was observed when running the algorithm for 500 epochs, beyond which a sharp increase of overfitting occurred. A comparative analysis with different items of marine litter, showed high proportions of incorrect detections and highly fluctuating metrics during validation, illustrating clear signs of underfitting. Varying contrasts between object colorations and the background, may be a factor influencing the CNN’s efficiency between classes. However, the flexibility of the model leaves possibilities of improvements. Further application of the use of YOLOv8 is proposed as a tool to support monitoring activities for marine conservation.
