Συντάχθηκε 19-10-2026 12:55
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 21/10/2026 12:00
Λήξη: 21/10/2026 13:00
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Στυλιανής Σταθοπούλου
με θέμα
«Εφαρμογή Τεχνικών Βαθιάς Μάθησης Βασισμένες στο Μοντέλο YOLO (You Only Look Once) για τον Εντοπισμό Ψαριών σε Περιβάλλον Υδατοκαλλιέργειας»
“Application Of Deep Learning Techniques Based on YOLO (You Only Look Once) Model Towards Fish Detection in Aquaculture Environment”
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (Σχολή ΗΜΜΥ, Επιβλέπων)
Καθηγητής Μιχαήλ Λαγουδάκης (Σχολή ΗΜΜΥ)
Διευθυντής Ερευνών ΕΛΚΕΘΕ Νικόλαος Παπανδρουλάκης (ΕΛΚΕΘΕ)
Περίληψη
Η υδατοκαλλιέργεια διαδραματίζει σημαντικό ρόλο στην παγκόσμια παραγωγή τροφίμων, αυξάνοντας την ανάγκη για αποτελεσματικές πρακτικές διαχείρισης. Η υιοθέτηση τεχνικών Υπολογιστικής Όρασης και Βαθιάς Μάθησης αποτελεί αναγκαίο βήμα προς την ιχθυοκαλλιέργεια ακριβείας και στην υδατοκαλλιέργεια με βάση τα δεδομένα, καθώς μπορεί να υποστηριχθεί η συνεχόμενη και αυτόματη ανίχνευση ψαριών και παρακολούθηση σε θαλάσσιους κλωβούς. Παρά τις σημαντικές δυνατότητες αυτών των τεχνικών, η επίτευξη υψηλής ακρίβειας παραμένει δύσκολη λόγω των απαιτητικών συνθηκών του υποβρύχιου περιβάλλοντος εκτροφής, όπως οι μεταβολές στο φωτισμό, η υψηλή πυκνότητα ψαριών και η μερική απόκρυψή τους.
Η παρούσα διπλωματική εργασία εξετάζει πώς αρχιτεκτονικές βασισμένες στο YOLO(You Only Look Once) μπορούν να εκπαιδευτούν και να προσαρμοστούν για τον εντοπισμό ψαριών σε θαλάσσια περιβάλλοντα υδατοκαλλιέργειας. Η μελέτη επικεντρώνεται στην τσιπούρα, χρησιμοποιώντας υποβρύχιες εικόνες που παραχωρήθηκαν από το Ελληνικό Κέντρο Θαλασσίων Ερευνών (ΕΛΚΕΘΕ). Ένα προεκπαιδευμένο μοντέλο FishInv, βασισμένο στο YOLOv8, επανεκπαιδεύτηκε (fine-tuning) για τον εντοπισμό μίας μόνο κατηγορίας ψαριών. Η διαδικασία περαιτέρω εκπαίδευσης πραγματοποιήθηκε στην πλατφόρμα NVIDIA Jetson AGX Orin. Δύο κύριοι στόχοι αυτής της προσαρμογής ήταν η αξιολόγηση της απόδοσης του μοντέλου στον εντοπισμό ψαριών και η διερεύνηση της δυνατότητας του συστήματος Jetson να εκτελεί διαδικασίες εκπαίδευσης και εξαγωγής προβλέψεων (inference) απευθείας στη συσκευή.
Τα πειράματα εξέτασαν την απόδοση εντοπισμού του αρχικού μοντέλου, διαφορετικές παραμέτρους εκπαίδευσης, διορθώσεις στις επισημάνσεις του συνόλου δεδομένων και διαφορετικές ρυθμίσεις επαύξησης δεδομένων (data augmentation) με τη χρήση των Roboflow και Ultralytics. Στη συνέχεια, εκπαιδεύτηκαν δύο τελικά μοντέλα στο διορθωμένο σύνολο δεδομένων, ένα με την επιλεγμένη ρύθμιση επαύξησης δεδομένων και ένα χωρίς επαύξηση.
Τα μοντέλα αξιολογήθηκαν με βάση τις μετρικές precision, recall, mAP50 και mAP50-95, καθώς και μέσω ποιοτικής σύγκρισης των προβλέψεών τους. Στο σύνολο επικύρωσης, το μοντέλο που εκπαιδεύτηκε με επαύξηση δεδομένων πέτυχε precision 0.865, recall 0.795, mAP50 0.876 και mAP50-95 0.750, ενώ το μοντέλο χωρίς επαύξηση πέτυχε αντίστοιχα 0.703, 0.711, 0.749 και 0.539. Επομένως, η επιλεγμένη ρύθμιση επαύξησης δεδομένων βελτίωσε και τις τέσσερις μετρικές αξιολόγησης.
Οι διορθώσεις των επισημάνσεων επηρέασαν τα αποτελέσματα της αξιολόγησης, χωρίς ωστόσο να παρατηρείται σταθερή βελτίωση σε όλα τα πειράματα. Η ποιοτική ανάλυση έδειξε ότι τα μοντέλα μπορούσαν να εντοπίσουν ψάρια σε υποβρύχιες εικόνες με υψηλή πυκνότητα ψαριών. Ωστόσο, ορισμένα ψάρια δεν εντοπίστηκαν, ιδιαίτερα όταν αλληλοεπικαλύπτονταν ή ήταν μερικώς κρυμμένα. Επιπλέον, ορισμένες προβλέψεις που χαρακτηρίστηκαν ως ψευδώς θετικές φάνηκε να αντιστοιχούν σε ορατά ψάρια που δεν περιλαμβάνονταν στις επισημάνσεις αναφοράς.
Πραγματοποιήθηκε επίσης εντοπισμός ψαριών σε υποβρύχιο βίντεο με τη χρήση δύο επιλεγμένων μοντέλων στην πλατφόρμα NVIDIA Jetson AGX Orin. Και τα δύο μοντέλα πέτυχαν ταχύτητα επεξεργασίας περίπου 13 καρέ ανά δευτερόλεπτο (FPS), χαμηλότερη από τον αρχικό ρυθμό των 25 FPS του βίντεο.
Τα αποτελέσματα αναδεικνύουν τα οφέλη της περαιτέρω εκπαίδευσης και της επιλεγμένης ρύθμισης επαύξησης δεδομένων για τον εντοπισμό ψαριών. Παράλληλα, υπογραμμίζουν τη σημασία της συνέπειας των επισημάνσεων και την ανάγκη περαιτέρω βελτιστοποίησης για την επίτευξη του αρχικού ρυθμού καρέ του βίντεο.
Abstract
Aquaculture plays an important role in global food production, increasing the need for efficient management practices, while global aquaculture production is constantly growing. The adoption of Computer Vision and Deep Learning techniques constitutes a necessary step towards precision fish farming and data-driven aquaculture, as it can support continuous and automatic fish detection and monitoring in sea cages. Despite the increased potential of such tools, their increased accuracy is challenged by the harsh underwater farming environment due to variations in illumination, high fish density and occlusion.
This thesis investigates how YOLO-based architectures can be trained and adapted to detect fish in marine aquaculture environments, focusing on gilthead seabream using underwater images provided by the Hellenic Centre for Marine Research (HCMR). A pretrained FishInv model, based on YOLOv8, was fine-tuned for the detection of a single fish class. The fine-tuning process was performed on an NVIDIA Jetson AGX Orin. Two main objectives of this adaptation were the evaluation of the model’s fish detection performance and the investigation of the ability of the Jetson system to perform training and inference directly on the device.
The experiments examined the original model's detection performance, different training parameters, annotation corrections and data augmentation configurations using Roboflow and Ultralytics. Two final models were trained on the corrected dataset, one with the selected augmentation configuration and one without augmentation.
The models were evaluated using precision, recall, mAP50 and mAP50-95, along with qualitative comparisons of their predictions. On the validation set, the model trained with augmentation achieved a precision of 0.865, recall of 0.795, mAP50 of 0.876 and mAP50-95 of 0.750, compared with 0.703, 0.711, 0.749 and 0.539, respectively, without augmentation. The selected augmentation configuration therefore improved all four metrics.
Annotation corrections affected the evaluation results, although improvements were not consistent across experiments. Qualitative analysis showed successful detections in crowded underwater scenes, but some fish remained undetected, particularly when overlapping or partially obscured. Some apparent false positives also corresponded to visible fish missing from the ground-truth annotations.
Video inference was performed using two selected models on an NVIDIA Jetson AGX Orin. Both achieved approximately 13 frames per second (FPS), below the source video's 25 FPS.
The findings demonstrate the benefits of fine-tuning and the selected augmentation configuration for fish detection, while highlighting the importance of annotation consistency and the need for further optimization to achieve the original video frame rate.
Meeting ID: 97974793516
Password: 2aVvTlLwaH1RKiadJ3RunSGoXAzozm.1
