Verhaltensbezogene KI macht Computer Vision wirkungsvoller
Wirf mit uns einen Blick zurück auf David Scotts Keynote bei YOLO Vision 2024 über KI-gestützte Verhaltensanalyse und ihre praktischen Anwendungen in Bereichen wie der Nutztierhaltung.
Viele Jahre lang konzentrierten sich Innovationen im Bereich Computer Vision auf Aufgaben wie die Objekterkennung – also darauf, Objekte wie einen Hund oder ein Auto in Bildern und Videos zu identifizieren. Diese Ansätze haben Anwendungen in Bereichen wie autonomen Fahrzeugen, der Fertigung und dem Gesundheitswesen ermöglicht.
Diese Aufgaben konzentrieren sich jedoch oft nur darauf, zu erkennen, um welches Objekt es sich handelt. Was wäre, wenn Computer-Vision-Systeme noch einen Schritt weitergehen könnten? Statt einfach nur einen Hund zu erkennen, könnten sie beispielsweise verstehen, dass der Hund einem Ball hinterherjagt oder dass ein Auto plötzlich bremst, weil ein Fußgänger die Straße überquert. Dieser Wandel von der grundlegenden Erkennung zum kontextbezogenen Verständnis stellt einen großen Schritt hin zu intelligenterer, kontextbewusster verhaltensbasierter KI dar.
Bei YOLO Vision 2024 (YV24), dem jährlichen hybriden Event von Ultralytics zur Feier von Fortschritten im Bereich Vision-KI, stand das Thema KI-gestützte Verhaltensanalyse während eines interessanten Vortrags von David Scott, CEO von The Main Branch, im Mittelpunkt.
In seinem Vortrag erläuterte David den Übergang von grundlegenden Computer-Vision-Aufgaben zur Verhaltensverfolgung. Mit mehr als 25 Jahren Erfahrung in der Entwicklung modernster 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 die wichtigsten Punkte aus Davids Vortrag durch und untersuchen, wie Verhaltensverfolgung KI praxisnäher macht.
Die Herausforderungen bei der Einführung von KI verstehen#
David Scott begann seine Keynote mit einem deutlichen Realitätscheck und sagte: „Ein Kollege von mir sagt oft: ‚Wissenschaft verkauft sich nicht.‘ Das beleidigt viele von uns hier ein wenig, weil wir Wissenschaft wirklich mögen. KI ist wirklich cool – warum sollten die Leute sie nicht einfach kaufen? Aber in Wirklichkeit wollen die Menschen sie nicht kaufen, nur weil wir sie cool finden; sie brauchen einen Grund, sie zu kaufen.“
Anschließend erklärte er, dass sich das Unternehmen The Main Branch stets darauf konzentriert, reale Probleme mit KI zu lösen, anstatt nur deren Fähigkeiten zur Schau zu stellen. Viele Kunden kommen mit dem Wunsch, darüber zu sprechen, wie sie KI allgemein einsetzen können. Für ihn ist das jedoch der falsche Ansatz – es ist, als hätte man eine Lösung ohne ein Problem. Stattdessen arbeitet das Unternehmen mit Kunden, 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 die bloße Erkennung von Objekten in einer Szene hinausgeht. Zu erkennen, was vorhanden ist, ist nur der erste Schritt. Der eigentliche Mehrwert entsteht, wenn man herausfindet, was mit diesen Informationen zu tun ist, und sie innerhalb der gesamten Wertschöpfungskette nutzbar macht.
Technologie zur Verhaltensverfolgung: der Schlüssel zu nutzbarer KI#
Ein entscheidender Schritt, um KI wirklich nützlich zu machen, besteht darin, über grundlegende Computer-Vision-Aufgaben wie die Objekterkennung hinauszugehen und diese Erkenntnisse zur Verhaltensverfolgung zu nutzen. David hob hervor, dass sich verhaltensbasierte KI auf das Verständnis von Handlungen und Mustern konzentriert, nicht nur auf die Identifizierung von Objekten. Dadurch kann KI bedeutungsvolle Ereignisse erkennen und verwertbare Erkenntnisse liefern.
Er nannte das Beispiel eines Tieres, das sich auf dem Boden wälzt, was auf eine Krankheit hindeuten könnte. Während Menschen ein Tier nicht rund um die Uhr beobachten können, sind KI-gestützte Überwachungssysteme mit Funktionen zur Verhaltensverfolgung dazu in der Lage. Solche Lösungen können Objekte kontinuierlich überwachen, bestimmte Verhaltensweisen erkennen, einen Alarm senden und rechtzeitiges Handeln ermöglichen. So werden Rohdaten in etwas Praktisches und Wertvolles verwandelt.
David zeigte außerdem, dass dieser Ansatz KI nicht nur interessant, sondern wirklich wirkungsvoll macht. Indem reale Probleme wie die Überwachung von Verhaltensweisen und das entsprechende Handeln angegangen werden, kann Verhaltensverfolgung zu einem wichtigen Bestandteil wirksamer KI-Lösungen in verschiedenen Branchen werden.
Verhaltensbasierte KI zum Leben erwecken#
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 kundenspezifisch, um Verhaltensweisen über einen längeren Zeitraum zu überwachen und das Modell für reale Situationen praxisnäher und hilfreicher zu machen.
Mit der Veröffentlichung von Ultralytics YOLO11 können Lösungen wie die von The Main Branch entwickelten nun noch zuverlässiger und genauer werden. Dieses neueste Modell bietet Funktionen wie höhere Präzision und schnellere Verarbeitung, die seine Fähigkeit zur Verhaltensverfolgung verbessern. Wir gehen darauf später genauer ein, nachdem wir besser verstanden haben, für welche Anwendungen verhaltensbasierte KI eingesetzt werden kann.
Als Nächstes sehen wir uns die von David vorgestellten Lösungen an und untersuchen, wie die Technologie zur Verhaltensverfolgung in realen Anwendungen eingesetzt wird, um alltägliche Herausforderungen zu lösen und spürbare Verbesserungen zu bewirken.
HerdSense mit KI-gestützter Verhaltensanalyse#
Zunächst berichtete David von einer spannenden Herausforderung, die sie mit einem Projekt namens HerdSense bewältigten. Dabei wurde die Gesundheit tausender Kühe in einem riesigen Mastbetrieb überwacht. Ziel war es, das Verhalten einzelner Kühe zu verfolgen, um mögliche gesundheitliche Probleme zu erkennen. Dazu mussten zehntausende Tiere gleichzeitig im Blick behalten werden – keine einfache Aufgabe.
Abb. 2. HerdSense konzentrierte sich auf die Überwachung und Identifizierung von Kühen mithilfe verhaltensbasierter KI.
Um das Problem der Identifizierung jeder einzelnen Kuh und der Verfolgung ihres Verhaltens zu lösen, führte Davids Team einen zweitägigen Workshop durch, in dem es alle möglichen zu überwachenden Verhaltensweisen erfasste. Insgesamt identifizierte das Team mehr als 200 Verhaltensweisen.
Jede der 200 Verhaltensweisen setzte voraus, dass einzelne Kühe zuverlässig erkannt werden konnten, da alle Daten bestimmten Tieren zugeordnet werden mussten. Ein großes Problem war die Verfolgung von Kühen, wenn sie sich in Gruppen zusammenballten, wodurch einzelne Tiere nur schwer zu erkennen waren.
Davids Team entwickelte ein Computer-Vision-System, das sicherstellte, dass jede Kuh auch in schwierigen Situationen zuverlässig identifiziert wurde. Das Team konnte bestätigen, dass derselben Kuh stets dieselbe ID zugewiesen wurde, selbst wenn sie aus dem Sichtfeld verschwand, sich unter andere Tiere mischte oder später wieder auftauchte.
Pferdegesundheit mit Computer Vision überwachen#
Anschließend stellte David ein weiteres faszinierendes Projekt vor, in dem sie ähnliche Techniken zur Verhaltensverfolgung auf die Überwachung von Pferden anwendeten. Bei diesem Projekt musste Davids Team die IDs einzelner Pferde nicht so genau verfolgen wie bei den Kühen. Stattdessen konzentrierte sich das Team auf bestimmte Verhaltensweisen und verfolgte Details wie Fressmuster und das allgemeine Aktivitätsniveau, um gesundheitliche Probleme frühzeitig zu erkennen. Die Identifizierung kleiner Verhaltensänderungen könnte schnellere Maßnahmen ermöglichen, eine bessere Versorgung gewährleisten und Probleme verhindern, bevor sie ernst werden.
Abb. 3. Überwachung von Pferden mithilfe verhaltensbasierter KI.
Warum verhaltensbasierte KI nicht so einfach ist, wie sie scheint#
David sprach außerdem anhand eines faszinierenden Beispiels über die Komplexität der Verhaltensverfolgung. Bei der Suche nach Möglichkeiten zur Verbesserung der Verhaltensanalyse stieß sein Team auf ein Unternehmen, das behauptete, durch die Analyse bestimmter Körperhaltungen, etwa wenn jemand die Hand in der Tasche hat, Ladendiebstahl erkennen zu können. Zunächst schien das eine kluge Idee zu sein – bestimmte Bewegungen könnten auf verdächtiges Verhalten hindeuten, oder?
Abb. 4. Die Herausforderungen der Technologie zur Verhaltensverfolgung verstehen.
Als David diese Methode jedoch genauer untersuchte, erkannte er ihre Grenzen. Eine einzelne Körperhaltung, etwa eine Hand in der Tasche, bedeutet nicht zwangsläufig, dass jemand einen Ladendiebstahl begeht. Sie könnte einfach darauf hindeuten, dass die Person entspannt ist, nachdenkt oder sogar friert. Das Problem bei der Konzentration auf isolierte Körperhaltungen ist, dass der größere Kontext außer Acht gelassen wird. Verhalten besteht nicht nur aus einer einzelnen Handlung – es ist ein über die Zeit entstehendes Muster von Handlungen, das durch Kontext und Absicht geprägt wird.
David betonte, dass echte Verhaltensverfolgung weitaus komplexer ist und einen ganzheitlichen Ansatz erfordert. Es geht darum, Handlungsabfolgen zu analysieren und ihre Bedeutung im größeren Zusammenhang zu verstehen. Obwohl die KI-Branche Fortschritte macht, gibt es laut ihm noch viel zu tun, um die Verhaltensverfolgung weiterzuentwickeln und aussagekräftige, genaue Erkenntnisse zu liefern.
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 Gesundheit von Kühen entwickelte.
Zunächst erstellte das Team ein individuelles Datenset für die Posenschätzung einer Kuh und erhöhte die übliche Anzahl der Schlüsselpunkte von 17 auf 145, damit das Modell Bewegungen besser analysieren konnte. Anschließend wurde das Modell mit einem riesigen Datensatz aus mehr als 2 Millionen Bildern und 110 Millionen Beispielen für Verhaltensweisen trainiert.
Mithilfe einer fortschrittlichen Hardware-Infrastruktur konnte Davids Team das Modell in nur zwei Tagen trainieren, statt der Wochen, die es auf herkömmlicher Hardware gedauert hätte. Anschließend wurde das trainierte Modell mit einem individuellen Verhaltensverfolger verbunden, der mehrere Videobilder gleichzeitig analysierte, um Muster in den Handlungen der Kühe zu erkennen.
Das Ergebnis war eine Vision-KI-Lösung, die acht verschiedene Verhaltensweisen von Kühen wie Fressen, Trinken und Liegen erkennen und verfolgen kann, um geringfügige Verhaltensänderungen zu erkennen, die auf gesundheitliche Probleme hindeuten könnten. Dadurch können Landwirte schnell handeln und das Herdenmanagement verbessern.
Die Zukunft der verhaltensbasierten KI#
David schloss seinen Vortrag mit einer wichtigen Erkenntnis für das Publikum ab: „Wenn du der KI keinen Raum für Fehler lässt, bereitest du dich selbst auf ein Scheitern vor, denn letztlich ist sie statistischer Natur.“ Er wies darauf hin, dass KI trotz ihrer Stärken nicht fehlerfrei ist. Sie ist ein Werkzeug, das aus Mustern lernt, und es wird immer Situationen geben, in denen sie etwas nicht richtig erkennt. Statt diese Fehler zu fürchten, kommt es darauf an, Systeme zu entwickeln, die mit ihnen umgehen können und sich im Laufe der Zeit weiter verbessern.
Das gilt auch für Computer-Vision-Modelle selbst. Beispielsweise wurde Ultralytics YOLO11, die neueste Version der Ultralytics YOLO-Modelle, mit dem Ziel entwickelt, im Vergleich zu YOLOv8 den nächsten Entwicklungsschritt zu ermöglichen.
Abb. 5. Von Ultralytics YOLO11 unterstützte Computer-Vision-Aufgaben.
Insbesondere bietet Ultralytics YOLO11 eine bessere Leistung, vor allem bei Echtzeitanwendungen, bei denen Präzision entscheidend ist, etwa in der Landwirtschaft und im Gesundheitswesen. Mit seinen fortschrittlichen Funktionen verändert YOLO11 die Nutzung von KI in verschiedenen Branchen grundlegend, indem es innovative Erkenntnisse in Echtzeit liefert und dabei hilft, Herausforderungen effektiver zu bewältigen.
Wichtige Erkenntnisse#
Davids Keynote bei YV24 erinnerte daran, dass KI mehr ist als nur eine coole Innovation – sie ist ein leistungsstarkes Werkzeug, um reale Probleme zu lösen und die Art und Weise zu verbessern, wie wir leben und arbeiten. Durch die Konzentration auf Verhalten wirkt sich KI bereits in Bereichen wie der Überwachung der Tiergesundheit und der Erkennung bedeutungsvoller Muster im Alltag aus.
Das Potenzial verhaltensbasierter KI ist vielversprechend, und wir stehen erst am Anfang. Indem sie Rohdaten in verwertbare Erkenntnisse verwandelt, entwickelt sich verhaltensbasierte KI von passiver Überwachung zu aktiver Problemlösung weiter. Mit ihrer weiteren Entwicklung wird sie voraussichtlich intelligentere Entscheidungen fördern, Prozesse effizienter gestalten und spürbare Verbesserungen in unserem Leben bewirken.
Bleib mit unserer Community in Verbindung, um mehr über KI und ihre Anwendungen in der Praxis zu erfahren. Besuche unser GitHub-Repository, um Innovationen in Bereichen wie KI in der Landwirtschaft und Computer Vision in der Fertigung zu entdecken.
