Et si l’intelligence artificielle pouvait nous aider à mieux repérer la présence de requins dans l’eau ?

Cette question me trotte dans la tête depuis plusieurs années. Aujourd’hui, j’ai décidé de commencer à y apporter une réponse, à mon échelle, avec Shark Sentinel.

Une idée née à La Réunion

Originaire de La Réunion et pratiquant le surf, le paddle et le snorkeling, j’ai vu à quel point la crise requin a changé notre rapport à l’océan. L’envie de profiter de l’eau est toujours là, mais l’appréhension s’est parfois invitée dans des moments qui devraient être synonymes de liberté.

Lors d’un récent retour sur mon île, découvrir les dispositifs de sécurisation des spots m’a fait plaisir. Cela a aussi réveillé cette vieille idée : explorer ce que mes compétences de développeur pourraient apporter à cette problématique.

Les outils d’intelligence artificielle devenant plus accessibles, j’ai enfin commencé à expérimenter.

Apprendre à repérer un requin

Shark Sentinel est un projet expérimental de détection de requins sur des images et des vidéos, à l’aide de la vision par ordinateur.

Pour l’instant, le travail se passe surtout en coulisses : rassembler des images, annoter les requins, entraîner un modèle, puis observer ce qu’il détecte… et ce qu’il manque. Derrière chaque rectangle dessiné autour d’un animal, il y a des essais, des ajustements et beaucoup de choses à apprendre.

La première version s’appuie sur YOLO, un modèle de détection d’objets. L’enjeu à ce stade est de comprendre ses capacités et ses limites sur des images variées, avant d’envisager la suite.

Schéma des étapes de Shark Sentinel : collecte d'images, annotation des requins, entraînement du modèle YOLO et tests de détection

Du jeu de données aux essais de détection : une illustration du travail derrière le modèle. Les équipements représentés évoquent des sources d’images possibles ; ils ne présentent pas un dispositif déjà déployé.

Un aperçu des premiers essais

Ces captures donnent un premier aperçu des détections affichées par le prototype, sur des vues du dessus et sous l’eau.

Détection par IA d'un requin en vue aérienne, à proximité de surfeurs, avec les étiquettes du modèle YOLO

Prototype expérimental — un requin est signalé dans une scène où plusieurs pratiquants sont visibles. Les étiquettes affichées restent à vérifier, notamment pour distinguer les personnes sur leurs planches.

Détection d'un requin dans une image sous-marine avec un score de confiance de 0,48

Prototype expérimental — un premier exemple sous-marin, avec un score de confiance de 0,48 affiché par le modèle.

Deux requins détectés par le modèle dans une même image sous-marine, avec des scores de 0,85 et 0,88

Prototype expérimental — deux requins repérés dans une même image, avec des scores affichés de 0,85 et 0,88.

Voir ces rectangles apparaître donne envie de poursuivre. Mais ces quelques images ne suffisent pas à évaluer la fiabilité du modèle : les scores affichés concernent chaque détection, pas la précision globale du système. La suite du travail consiste aussi à examiner les erreurs et les requins manqués.

Un début à partager

Shark Sentinel en est à ses premiers pas. Cette V0 ne constitue pas un dispositif de sécurité et ne remplace pas la surveillance existante. C’est le début d’un travail d’expérimentation que je souhaite partager au fil de son avancement, dans une démarche open source.

Ce qui me motive : explorer une piste qui puisse, à terme, contribuer à une meilleure cohabitation entre les activités humaines et la vie marine, dans le respect de l’animal.

Je partagerai ici, dans le Lab, les premiers résultats, les difficultés rencontrées et les prochaines avancées concrètes.

Shark Sentinel sort du tiroir. L’expérimentation commence.