YOLO-Starfish: rilevamento di pesci che apprende caratteristiche complesse subacquee

Perché individuare i pesci sott’acqua è così difficile

Dai cambiamenti climatici alla sovrapesca, capire cosa avviene sotto la superficie dell’acqua è fondamentale. Scienziati e gestori delle risorse ittiche si affidano sempre più a telecamere subacquee per contare e identificare i pesci, ma le immagini raccolte sono spesso torbide, tendenti al blu‑verde e piene di animali sovrapposti. Rivedere manualmente migliaia di ore di video è lento e soggetto a errori. Questo articolo presenta YOLO‑Starfish, un sistema di intelligenza artificiale compatto progettato per aiutare robot e telecamere subacquee a trovare automaticamente i pesci in queste condizioni difficili, insieme a un nuovo dataset di immagini di pesci d’acqua dolce ricco di dettagli.

Il mondo subacqueo attraverso gli occhi di una camera

Il rilevamento di oggetti sott’acqua non è semplicemente l’analisi di immagini normale con un’aggiunta d’acqua. La luce si comporta in modo molto diverso in fiumi e laghi: le lunghezze d’onda rosse scompaiono rapidamente, le particelle disperdono la luce in molte direzioni e la visibilità può passare da chiara a torbida nel giro di pochi metri. Anche i pesci aggiungono un livello di difficoltà: specie diverse possono apparire molto simili, gli individui della stessa specie possono variare da giovani minuscoli ad adulti grandi, e spesso si sovrappongono, si nascondono tra le piante o nuotano dentro e fuori dalle ombre. Molti approcci di IA esistenti sono stati addestrati su immagini relativamente pulite e ben illuminate e raramente incontrano scene così disordinate, quindi faticano quando vengono impiegati sul campo.

Costruire una collezione realistica di foto di pesci

Per colmare questa lacuna, gli autori hanno prima assemblato l’Underwater Freshwater Fish Dataset (UFFD), una grande raccolta di immagini subacquee del mondo reale. Hanno recuperato video pubblici da differenti habitat d’acqua dolce, estratto automaticamente frame a intervalli regolari e poi selezionato e annotato con cura le immagini di alta qualità. Invece di concentrarsi su poche specie famose di carpe, hanno deciso di etichettare ogni pesce riconoscibile, arrivando a 19 categorie, inclusa una classe “pesce sconosciuto” per gli individui che non potevano essere identificati con sicurezza. Il dataset finale contiene 18.594 immagini (16.904 uniche), coprendo un’ampia gamma di chiarezza dell’acqua, condizioni di illuminazione, distanze della camera e dimensioni dei pesci. Importante, il conteggio delle specie segue uno schema “long‑tailed”: poche specie sono comuni, mentre molte sono rare—proprio come negli ecosistemi reali.

Un modo più intelligente di leggere immagini degradate

Sopra questo dataset, il team ha costruito YOLO‑Starfish, una versione migliorata del popolare rilevatore in tempo reale YOLOv8. Due idee chiave guidano l’aggiornamento. Primo, il modulo C2Star cambia il modo in cui la rete combina le caratteristiche interne. Invece di sommare semplicemente i pattern, li moltiplica elemento per elemento in una cosiddetta “operazione star”. Questo rispecchia come la luce viene realmente attenuata mentre attraversa l’acqua, dove i segnali vengono scalati piuttosto che semplicemente sommersi dal rumore. Dal punto di vista matematico, questa moltiplicazione permette alla rete di rappresentare combinazioni più complesse di forme e colori senza diventare ingombrante, cosa vitale per robot subacquei alimentati a batteria con risorse computazionali limitate.

Lascare che sia la rete a decidere cosa conta davvero

La seconda innovazione, il modulo di miglioramento guidato dall’attenzione (Attention‑Driven Enhancement Module, ADEM), si concentra su quali informazioni sono affidabili in ciascuna immagine. Poiché l’acqua spesso elimina alcuni canali di colore—soprattutto il rosso—la pratica comune di trattare ogni canale cromatico allo stesso modo può fuorviare un rilevatore. ADEM comprime tutte le informazioni dei canali colore in un unico valore guida che stima quanto quei canali siano affidabili nel complesso. Combina poi questo indizio globale con un’attenzione spaziale, che evidenzia regioni specifiche dell’immagine, usando una semplice regola del “prendi il massimo” invece di una somma diretta. In scene dove i segnali cromatici sono forti, il modello si affida di più alle informazioni dei canali; quando i colori sono sbiaditi, fa maggior uso di pattern spaziali come forme e contorni. La mappa di attenzione risultante viene infine usata per potenziare o attenuare le caratteristiche nell’immagine in modo flessibile e guidato dai dati.

Quanto bene funziona YOLO‑Starfish?

Gli autori hanno testato YOLO‑Starfish su tre benchmark: il nuovo dataset UFFD, un dataset subacqueo esistente (RUOD) e la collezione general‑purpose ampiamente usata COCO2017. In tutti e tre i casi, l’aggiunta di C2Star e ADEM ha migliorato i punteggi di rilevamento rispetto al baseline YOLOv8, spesso di diversi punti percentuali, riducendo lievemente il numero di parametri del modello e il carico computazionale. I guadagni sono stati particolarmente evidenti nei casi difficili di UFFD, come le specie rare della “coda” con pochi esempi di addestramento e la categoria generale “pesce sconosciuto”, suggerendo una migliore generalizzazione a aspetti nuovi o ambigui. Su COCO2017, YOLO‑Starfish ha tenuto testa anche ad altri modelli piccoli all’avanguardia, dimostrando che i miglioramenti sono utili in senso ampio e non limitati alle immagini subacquee.

Cosa significa questo per sorvegliare le acque

In sostanza, lo studio mostra che un’IA progettata con criterio può colmare il divario tra immagini pulite da laboratorio e il mondo disordinato e distorto dai colori sotto la superficie. Abbinando un dataset realistico di pesci d’acqua dolce a un’elaborazione delle caratteristiche ispirata a principi fisici (C2Star) e a un’attenzione adattativa (ADEM), YOLO‑Starfish offre un rilevamento dei pesci più accurato senza richiedere hardware pesante. Per ecologi, gestori delle risorse ittiche e robotisti, questo tipo di strumento potrebbe rendere il monitoraggio a lungo termine e su larga scala della vita acquatica molto più praticabile, offrendo una visione automatizzata e più chiara degli ecosistemi subacquei e di come cambiano nel tempo.

Citazione: 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

Parole chiave: rilevamento di pesci subacqueo, computer vision, deep learning, ecologia acquatica, monitoraggio robotico