YOLO-Starfish : détection d’objets poissonier apprenant des caractéristiques sous‑marines complexes

Pourquoi repérer les poissons sous l’eau est si difficile

Du changement climatique à la surpêche, comprendre ce qui se passe sous la surface de l’eau est crucial. Les scientifiques et les gestionnaires des pêcheries s’appuient de plus en plus sur des caméras sous‑marines pour compter et identifier les poissons, mais les images qu’ils récoltent sont souvent troubles, teintées de bleu‑vert et remplies d’animaux qui se chevauchent. Examiner manuellement des milliers d’heures de vidéo est lent et sujet aux erreurs. Cet article présente YOLO‑Starfish, un système d’intelligence artificielle compact conçu pour aider les robots et caméras sous‑marins à détecter automatiquement les poissons dans ces conditions difficiles, ainsi qu’un nouveau jeu d’images d’eau douce richement annoté.

Le monde sous‑marin vu par une caméra

La détection d’objets sous l’eau n’est pas simplement une analyse d’image classique avec un peu d’eau en plus. La lumière se comporte très différemment dans les rivières et les lacs : les longueurs d’onde rouges disparaissent rapidement, les particules diffusent la lumière dans de nombreuses directions et la visibilité peut passer de claire à trouble en quelques mètres. Les poissons ajoutent eux‑mêmes une couche de difficulté supplémentaire. Des espèces différentes peuvent se ressembler beaucoup, les individus d’une même espèce vont des juvéniles minuscule aux adultes de grande taille, et ils se chevauchent souvent, se cachent parmi les plantes ou nagent dans et hors des ombres. De nombreuses approches d’IA existantes ont été entraînées sur des images relativement propres et bien éclairées et voient rarement de telles scènes désordonnées, d’où leurs difficultés en conditions réelles.

Constituer une collection de photos de poissons réaliste

Pour combler cette lacune, les auteurs ont d’abord constitué l’Underwater Freshwater Fish Dataset (UFFD), une grande collection d’images sous‑marines issues du monde réel. Ils ont rassemblé des vidéos publiques provenant d’habitats d’eau douce divers, extrait automatiquement des images à intervalles réguliers, puis sélectionné et annoté avec soin les images de haute qualité. Plutôt que de se concentrer sur quelques espèces de carpes célèbres, ils ont choisi d’annoter tout poisson reconnaissable, aboutissant à 19 catégories, incluant une classe « poisson inconnu » pour les individus qu’il était impossible d’identifier avec confiance. Le jeu final contient 18 594 images (16 904 uniques), couvrant une large gamme de clarté d’eau, de conditions d’éclairage, de distances caméra et de tailles de poissons. Fait important, la répartition des espèces suit un schéma « à longue traîne » : quelques espèces sont communes tandis que beaucoup sont rares — comme dans les écosystèmes réels.

Une façon plus intelligente d’interpréter les images dégradées

Sur la base de ce jeu de données, l’équipe a développé YOLO‑Starfish, une version améliorée du détecteur temps réel populaire YOLOv8. Deux idées clés guident cette amélioration. Premièrement, le module C2Star modifie la façon dont le réseau combine ses caractéristiques internes. Plutôt que de se contenter d’ajouter des motifs, il les multiplie élément par élément selon une « opération étoile ». Cela reflète la manière dont la lumière est réellement atténuée en traversant l’eau, où les signaux sont mis à l’échelle plutôt que simplement noyés dans le bruit. Mathématiquement, cette multiplication permet au réseau de représenter des combinaisons plus complexes de formes et de couleurs sans devenir volumineux, ce qui est vital pour des robots sous‑marins alimentés par batterie et aux ressources de calcul limitées.

Laisser le réseau décider de ce qui compte vraiment

La seconde innovation, le module d’amplification piloté par attention (ADEM), se concentre sur l’information digne de confiance dans chaque image. Parce que l’eau élimine souvent certaines composantes de couleur — en particulier le rouge — la pratique habituelle de traiter chaque canal de couleur de manière égale peut tromper un détecteur. ADEM compresse l’information des canaux de couleur en une seule valeur directrice qui estime la fiabilité globale de ces canaux. Il combine ensuite cet indice global avec une attention spatiale qui met en avant des régions spécifiques de l’image, en utilisant une règle simple de « prendre le maximum » au lieu d’une somme directe. Dans les scènes où les indices de couleur sont forts, le modèle s’appuie davantage sur l’information des canaux ; lorsque les couleurs sont délavées, il se fie plus aux motifs spatiaux comme les formes et les contours. La carte d’attention résultante est enfin utilisée pour renforcer ou atténuer les caractéristiques à travers l’image de manière flexible et guidée par les données.

Quelle est l’efficacité de YOLO‑Starfish ?

Les auteurs ont évalué YOLO‑Starfish sur trois bancs d’essai : leur nouveau jeu UFFD, un jeu de données sous‑marin existant (RUOD) et la collection générale très utilisée COCO2017. Sur les trois, l’ajout de C2Star et d’ADEM a amélioré les scores de détection par rapport à la base YOLOv8, souvent de plusieurs points de pourcentage, tout en réduisant légèrement le nombre de paramètres et le coût computationnel. Les gains étaient particulièrement marqués sur les cas difficiles de l’UFFD, comme les espèces rares de la « queue » avec peu d’exemples d’entraînement et la catégorie fourre‑tout « poisson inconnu », ce qui suggère une meilleure généralisation à des apparences nouvelles ou ambiguës. Sur COCO2017, YOLO‑Starfish s’est également montré compétitif face à d’autres petits modèles de pointe, indiquant que ces améliorations sont utiles au‑delà des seules images sous‑marines.

Ce que cela signifie pour l’observation des milieux aquatiques

En substance, l’étude montre qu’une IA conçue avec soin peut réduire l’écart entre des images propres de laboratoire et le monde désordonné et déformé par la couleur sous la surface. En associant un jeu de données réaliste de poissons d’eau douce à un traitement des caractéristiques inspiré physiquement (C2Star) et à une attention adaptative (ADEM), YOLO‑Starfish offre une détection de poissons plus précise sans exiger du matériel lourd. Pour les écologues, les gestionnaires de pêcheries et les roboticiens, ce type d’outil pourrait rendre la surveillance à long terme et à grande échelle de la vie aquatique beaucoup plus pratique, offrant une vue automatisée et plus claire des écosystèmes sous‑marins et de leur évolution dans le temps.

Citation: Gong, R., Xu, J., Zheng, Z. et al. YOLO-Starfish: fish object detection learning complex underwater features. Sci Rep 16, 13964 (2026). https://doi.org/10.1038/s41598-026-44187-z

Mots-clés: détection de poissons sous‑marins, vision par ordinateur, apprentissage profond, écologie aquatique, surveillance robotique