Automated species classification and counting by deep-sea mobile crawler platforms using YOLO
Notice bibliographique
Résumé
Edge computing on mobile marine platform is paramount for automated ecological monitoring. The goal of demonstrating the computational feasibility of an Artificial Intelligence (AI)-powered camera for fully automated real-time species-classification on deep-sea crawler platforms was searched by running You-Only-Look-Once (YOLO) model on an edge computing device (NVIDIA Jetson Nano), to evaluate the achievable animal detection performances, execution time and power consumption, using all the available cores. We processed a total of 337 rotating video scans (∼180°), taken during approximately 4 months in 2022 at the methane hydrates site of Barkley Canyon (Vancouver Island; BC; Canada), focusing on three abundant species (i.e., Sablefish Anoplopoma fimbria, Hagfish Eptatretus stoutii, and Rockfish Sebastes spp.). The model was trained on 1926 manually annotated video frames and showed high detection test performances in terms of accuracy (0.98), precision (0.98), and recall (0.99). The trained model was then applied on 337 videos. In 288 videos we detected a total of 133 Sablefish, 31 Hagfish, and 321 Rockfish nearly in real-time (about 0.31 s/image) with very low power consumption (0.34 J/image). Our results have broad implications on intelligent ecological monitoring. Indeed, YOLO model can meet operational-autonomy criteria for fast image processing with limited computational and energy loads.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».