KI zur Verhaltensanalyse verleiht Computer Vision mehr Wirkung

Seit vielen Jahren konzentrieren sich Innovationen im Bereich Computer Vision auf Aufgaben wie die Objekterkennung – also darauf, Objekte wie Hunde oder Autos in Bildern und Videos zu identifizieren. Diese Ansätze haben Anwendungen in Bereichen wie autonomen Fahrzeugen, Fertigung und Gesundheitswesen ermöglicht.

Diese Aufgaben konzentrieren sich jedoch oft nur darauf, zu identifizieren, um welches Objekt es sich handelt. Was wäre, wenn Vision-KI-Systeme noch einen Schritt weitergehen könnten? Anstatt beispielsweise nur einen Hund zu erkennen, könnten sie verstehen, dass der Hund einem Ball hinterherjagt, oder dass ein Auto plötzlich bremst, weil ein Fußgänger die Straße überquert. Dieser Schritt von der einfachen Erkennung zum kontextbezogenen Verständnis ist ein bedeutender Wandel hin zu intelligenterer, kontextbewusster Verhaltens-KI.

Bei der YOLO Vision 2024 (YV24), der jährlichen hybriden Veranstaltung von Ultralytics zu Fortschritten im Bereich Vision-KI, stand das Konzept der KI-gestützten Verhaltensanalyse im Mittelpunkt eines spannenden Vortrags von David Scott, CEO von The Main Branch.

In seinem Vortrag beleuchtete David den Übergang von grundlegenden Computer-Vision-Aufgaben zur Verhaltensverfolgung. Mit mehr als 25 Jahren Erfahrung in der Entwicklung fortschrittlicher technischer Anwendungen zeigte er die Auswirkungen dieses Fortschritts auf. Er betonte, wie die Entschlüsselung von Mustern und Verhaltensweisen Branchen wie die Landwirtschaft und den Tierschutz verändert.

In diesem Artikel gehen wir auf die Höhepunkte von Davids Vortrag ein und untersuchen, wie Verhaltensverfolgung KI praxisnäher macht.

Herausforderungen bei der Einführung von KI verstehen#

David Scott begann seine Eröffnungsrede mit einer deutlichen Bestandsaufnahme und sagte: „Ein Kollege von mir sagt oft: ‚Mit Wissenschaft lässt sich nichts verkaufen‘, was viele von uns hier ein wenig vor den Kopf stößt, weil wir Wissenschaft wirklich mögen. KI ist wirklich cool – warum sollten die Leute sie nicht einfach kaufen? Aber in Wirklichkeit wollen die Leute sie nicht kaufen, nur weil wir sie cool finden; sie brauchen einen Grund dafür.“

Anschließend erklärte er, dass es in seinem Unternehmen, The Main Branch, immer darum geht, mit KI echte Probleme zu lösen und nicht nur ihre Möglichkeiten vorzuführen. Viele Kunden möchten allgemein darüber sprechen, wie sie KI einsetzen können, doch er hält das für den falschen Ansatz – als hätte man eine Lösung ohne Problem. Stattdessen arbeitet das Unternehmen mit Kunden zusammen, die konkrete Herausforderungen mitbringen, um KI-Lösungen zu entwickeln, die tatsächlich etwas bewirken.

Abb. 1. David Scott auf der Bühne bei YV24.

David berichtete außerdem, dass ihre Arbeit oft über das bloße Erkennen von Objekten in einer Szene hinausgeht. Zu erkennen, was vorhanden ist, ist nur der erste Schritt. Der eigentliche Mehrwert entsteht, wenn man herausfindet, was sich mit diesen Informationen anfangen lässt und wie sie innerhalb der gesamten Wertschöpfungskette genutzt werden können.

Technologie zur Verhaltensverfolgung: der Schlüssel zu umsetzbarer KI#

Ein wichtiger Schritt, um KI wirklich nutzbringend zu machen, besteht darin, über grundlegende Computer-Vision-Aufgaben wie die Objekterkennung hinauszugehen und die gewonnenen Erkenntnisse für die Verhaltensverfolgung zu nutzen. David hob hervor, dass sich Verhaltens-KI auf das Verständnis von Handlungen und Mustern konzentriert, nicht nur auf die Identifizierung von Objekten. Dadurch kann KI bedeutsame Ereignisse erkennen und verwertbare Erkenntnisse liefern.

Als Beispiel nannte er ein Tier, das sich auf dem Boden wälzt – ein mögliches Anzeichen für eine Krankheit. Menschen können ein Tier nicht rund um die Uhr beobachten, KI-gestützte Überwachungssysteme mit Funktionen zur Verhaltensverfolgung hingegen schon. Solche Lösungen können Objekte kontinuierlich überwachen, bestimmte Verhaltensweisen erkennen, eine Warnung senden und rechtzeitiges Handeln ermöglichen. So werden Rohdaten in etwas Praktisches und Wertvolles verwandelt.

David zeigte auch, dass dieser Ansatz KI nicht nur interessant, sondern wirklich wirkungsvoll macht. Indem reale Probleme angegangen, Verhaltensweisen überwacht und entsprechende Maßnahmen ergriffen werden, kann die Verhaltensverfolgung zu einem zentralen Bestandteil effektiver KI-Lösungen in verschiedenen Branchen werden.

Verhaltens-KI in die Praxis umsetzen#

David Scott veranschaulichte anschließend, wie Ultralytics YOLOv8, ein Computer-Vision-Modell, für die Projekte seines Teams zur Verhaltensverfolgung einen Durchbruch darstellte. Das Modell bot eine solide Grundlage für die Erkennung, Klassifizierung und Verfolgung von Objekten. Sein Team ging noch einen Schritt weiter und trainierte YOLOv8 speziell, um Verhaltensweisen über einen längeren Zeitraum zu überwachen. Dadurch wurde das Modell für reale Situationen praktischer und hilfreicher.

Mit der Veröffentlichung von Ultralytics YOLO11 können Lösungen wie die von The Main Branch entwickelten noch zuverlässiger und genauer werden. Das Modell bietet Funktionen wie eine höhere Präzision und schnellere Verarbeitung, die seine Fähigkeit zur Verhaltensverfolgung verbessern. Wir gehen näher darauf ein, nachdem wir besser verstanden haben, wofür sich Verhaltens-KI einsetzen lässt.

Sehen wir uns als Nächstes die von David vorgestellten Lösungen und den Einsatz von Technologien zur Verhaltensverfolgung in der Praxis an, mit denen alltägliche Herausforderungen bewältigt und spürbare Verbesserungen erzielt werden.

HerdSense: KI-gestützte Verhaltensanalyse#

Zunächst berichtete David von einer spannenden Herausforderung, die sein Team mit einem Projekt namens HerdSense bewältigte. Dabei ging es darum, den Gesundheitszustand tausender Kühe zu überwachen, die auf einem riesigen Mastbetrieb gehalten wurden. Ziel war es, das Verhalten einzelner Kühe zu verfolgen, um mögliche Gesundheitsprobleme zu erkennen. Dafür mussten Zehntausende Tiere gleichzeitig im Blick behalten werden – keine einfache Aufgabe.

Abb. 2. HerdSense konzentrierte sich darauf, Kühe mithilfe von Verhaltens-KI zu überwachen und zu erkennen.

Um herauszufinden, wie sich jede Kuh identifizieren und ihr Verhalten verfolgen ließ, veranstaltete Davids Team einen zweitägigen Workshop, in dem alle zu überwachenden Verhaltensweisen erfasst wurden. Insgesamt identifizierte das Team mehr als 200 Verhaltensweisen.

Für jede der 200 Verhaltensweisen musste das Team einzelne Kühe präzise erkennen können, da alle Daten bestimmten Tieren zugeordnet werden mussten. Eine große Herausforderung war die Verfolgung von Kühen, wenn sie sich in Gruppen zusammenfanden, sodass einzelne Tiere schwer zu erkennen waren.

Davids Team entwickelte ein Computer-Vision-System, das sicherstellte, dass jede Kuh durchgehend identifiziert werden konnte, selbst in schwierigen Situationen. Das Team konnte bestätigen, dass dieselbe Kuh immer dieselbe ID erhielt, auch wenn sie aus dem Sichtfeld verschwand, sich unter andere mischte oder später wieder auftauchte.

Pferdegesundheit mithilfe von Computer Vision überwachen#

Als Nächstes stellte David ein weiteres faszinierendes Projekt vor, bei dem das Team ähnliche Techniken zur Verhaltensverfolgung auf die Überwachung von Pferden anwandte. Bei diesem Projekt musste Davids Team einzelne Pferde-IDs nicht so genau verfolgen wie bei den Kühen. Stattdessen konzentrierte sich das Team auf bestimmte Verhaltensweisen und erfasste Einzelheiten wie Fressgewohnheiten und allgemeine Aktivitätsniveaus, um Gesundheitsprobleme frühzeitig zu erkennen. Kleine Verhaltensänderungen zu erkennen, kann zu schnelleren Maßnahmen beitragen, eine bessere Versorgung ermöglichen und Problemen vorbeugen, bevor sie ernst werden.

Abb. 3. Pferde mithilfe von Verhaltens-KI überwachen.

Warum Verhaltens-KI nicht so einfach ist, wie es scheint#

David sprach auch anhand eines interessanten Beispiels über die Komplexität der Verhaltensverfolgung. Bei der Suche nach Möglichkeiten zur Verbesserung der Verhaltensanalyse stieß sein Team auf ein Unternehmen, das behauptete, Ladendiebstahl zu erkennen, indem es bestimmte Körperhaltungen analysiert – etwa wenn jemand eine Hand in der Tasche hat. Zunächst schien das eine clevere Idee zu sein: Bestimmte Bewegungen könnten doch auf verdächtiges Verhalten hindeuten, oder?

Abb. 4. Die Herausforderungen der Technologie zur Verhaltensverfolgung verstehen.

Bei näherer Betrachtung erkannte David jedoch die Grenzen dieser Methode. Eine einzelne Körperhaltung, etwa eine Hand in der Tasche, bedeutet nicht zwangsläufig, dass jemand einen Ladendiebstahl begeht. Die Person könnte einfach entspannt sein, nachdenken oder frieren. Wer sich auf einzelne Körperhaltungen konzentriert, lässt den größeren Zusammenhang außer Acht. Verhalten ist nicht nur eine einzelne Handlung – es ist eine Abfolge von Handlungen im Laufe der Zeit, die von Kontext und Absicht geprägt wird.

David betonte, dass eine echte Verhaltensverfolgung weitaus komplexer ist und einen ganzheitlichen Ansatz erfordert. Dabei geht es darum, Handlungsabläufe zu analysieren und ihre Bedeutung im größeren Zusammenhang zu verstehen. Die KI-Branche macht zwar Fortschritte, doch David merkte an, dass noch viel zu tun ist, damit die Verhaltensverfolgung aussagekräftige und präzise Erkenntnisse liefert.

Intelligentere Vision-KI-Modelle entwickeln, die Handlungen verstehen#

Anschließend nahm David das Publikum mit hinter die Kulissen und zeigte, wie sein Team mithilfe von Ultralytics YOLOv8 und dessen Fähigkeiten zur Posenschätzung eine Computer-Vision-Lösung zur Überwachung der Kuhgesundheit entwickelte.

Zunächst erstellte das Team einen benutzerdefinierten Datensatz zur Pose-Schätzung bei Kühen und erhöhte die übliche Anzahl der Keypoints von 17 auf 145, damit das Modell Bewegungen besser analysieren konnte. Anschließend wurde das Modell mit einem riesigen Datensatz aus über 2 Millionen Bildern und 110 Millionen Verhaltensbeispielen trainiert.

Dank einer fortschrittlichen Hardware-Infrastruktur konnte Davids Team das Modell in nur zwei Tagen trainieren, statt dafür mit herkömmlicher Hardware Wochen zu benötigen. Anschließend wurde das trainierte Modell in einen speziell entwickelten Verhaltens-Tracker integriert, der mehrere Videobilder gleichzeitig analysierte, um Muster im Verhalten der Kühe zu erkennen.

Das Ergebnis war eine Vision-KI-Lösung, die acht verschiedene Verhaltensweisen von Kühen erkennen und verfolgen kann, darunter Fressen, Trinken und Liegen. So lassen sich kleine Verhaltensänderungen erkennen, die auf gesundheitliche Probleme hindeuten könnten. Dadurch können Landwirte schneller handeln und die Herdenhaltung verbessern.

Wie es mit Verhaltens-KI weitergeht#

Zum Abschluss seines Vortrags teilte David eine wichtige Erkenntnis mit dem Publikum: „Wenn du der KI keinen Spielraum für Fehler gibst, bereitest du ihr den Weg zum Scheitern, denn letztendlich ist sie statistisch.“ Er wies darauf hin, dass KI trotz ihrer Stärken nicht fehlerfrei ist. Sie ist ein Werkzeug, das aus Mustern lernt, und wird immer wieder Fehler machen. Statt diese Fehler zu fürchten, kommt es darauf an, Systeme zu entwickeln, die damit umgehen können und sich mit der Zeit weiter verbessern.

Das gilt auch für Computer-Vision-Modelle. Ultralytics YOLO11 beispielsweise, damals die neueste Version der Ultralytics-YOLO-Modelle (inzwischen abgelöst durch Ultralytics YOLO26), wurde mit dem Ziel entwickelt, im Vergleich zu YOLOv8 neue Maßstäbe zu setzen.

Abb. 5. Von Ultralytics YOLO11 unterstützte Computer-Vision-Aufgaben.

Ultralytics YOLO11 bietet insbesondere eine bessere Leistung, vor allem bei Echtzeitanwendungen, in denen Präzision entscheidend ist, etwa in der Landwirtschaft und im Gesundheitswesen. Dank seiner fortschrittlichen Funktionen hilft YOLO11 Branchen dabei, in Echtzeit Erkenntnisse zu gewinnen und Herausforderungen effektiver zu bewältigen.

Die wichtigsten Erkenntnisse#

Davids Eröffnungsrede bei YV24 erinnerte daran, dass KI mehr ist als eine spannende Innovation – sie ist ein leistungsstarkes Werkzeug, um reale Probleme zu lösen und unser Leben und Arbeiten zu verbessern. Durch den Fokus auf Verhalten erzielt KI bereits Fortschritte, etwa bei der Überwachung der Tiergesundheit und dem Erkennen aussagekräftiger Muster in alltäglichen Handlungen.

Das Potenzial von Verhaltens-KI ist vielversprechend, und wir stehen erst am Anfang. Indem Rohdaten in umsetzbare Erkenntnisse verwandelt werden, entwickelt sich Verhaltens-KI von passiver Überwachung hin zur aktiven Problemlösung. Mit ihrer Weiterentwicklung wird Verhaltens-KI bessere Entscheidungen ermöglichen, Abläufe vereinfachen und spürbare Verbesserungen für unser Leben bringen.

Bleib über unsere Community in Kontakt und erfahre mehr über KI und ihre Anwendungen in der Praxis. Besuche unser GitHub-Repository, um Innovationen in Bereichen wie KI in der Landwirtschaft und Computer Vision in der Fertigung zu entdecken.