Verhaltens-KI macht Computer Vision wirkungsvoller

Viele Jahre lang konzentrierten sich Innovationen im Bereich der Computer Vision auf Aufgaben wie object detection – das Identifizieren von Objekten wie Hunden oder Autos in Bildern und Videos. Diese Ansätze haben Anwendungen in Bereichen wie autonomen Fahrzeugen, der Fertigung und dem Gesundheitswesen ermöglicht.

Diese Aufgaben konzentrieren sich jedoch oft nur darauf, zu identifizieren, was ein Objekt ist. Was wäre, wenn Vision-KI-Systeme einen Schritt weiter gehen könnten? Anstatt beispielsweise nur einen Hund zu erkennen, könnte das System verstehen, dass der Hund einem Ball hinterherjagt oder dass ein Auto plötzlich bremst, weil ein Fußgänger die Straße überquert. Dieser Wandel von grundlegender Erkennung hin zu kontextbezogenem Verständnis stellt einen bedeutenden Schritt in Richtung einer intelligenteren, kontextbewussten Verhaltens-KI dar.

Auf der YOLO Vision 2024 (YV24), der jährlichen Hybridveranstaltung von Ultralytics zur Feier von Fortschritten in der vision AI, stand das Konzept der KI-gesteuerten Verhaltensanalyse während eines interessanten Vortrags von David Scott, dem CEO von The Main Branch, im Mittelpunkt.

In seinem Vortrag beleuchtete David den Übergang von grundlegenden Computer-Vision-Aufgaben zum Verhaltens-Tracking. Mit über 25 Jahren Erfahrung in der Entwicklung modernster Tech-Anwendungen präsentierte er die Auswirkungen dieses Sprungs. Er betonte, wie das Entschlüsseln von Mustern und Verhaltensweisen Branchen wie die Landwirtschaft und den Tierschutz neu gestaltet.

In diesem Artikel gehen wir auf die Höhepunkte von Davids Vortrag ein und untersuchen, wie Verhaltensverfolgung (Behavioral Tracking) KI praktischer macht.

Herausforderungen bei der Einführung von KI verstehen#

David Scott begann seine Keynote mit einem mutigen Realitätscheck und sagte: „Ein Kollege von mir sagt oft: ‚Wissenschaft verkauft sich nicht‘, was uns hier viele ein wenig kränkt, weil wir Wissenschaft wirklich mögen. KI ist wirklich cool – warum kaufen die Leute sie nicht einfach? Aber die Realität ist, dass die Leute sie nicht kaufen wollen, nur weil wir sie cool finden; sie brauchen einen Grund zum Kaufen.“

Er fuhr fort und erklärte, dass bei seinem Unternehmen The Main Branch der Fokus immer darauf liegt, echte Probleme mit KI zu lösen, statt nur mit ihren Fähigkeiten zu prahlen. Viele Kunden kommen und möchten darüber sprechen, wie sie KI im Allgemeinen nutzen können, aber er betrachtet das als einen verkehrten Ansatz – das ist, als hätte man eine Lösung ohne Problem stattdessen arbeiten sie mit Kunden zusammen, die konkrete Herausforderungen mitbringen, um AI solutions zu entwickeln, die tatsächlich etwas bewirken.

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

David teilte auch mit, dass ihre Arbeit oft über das bloße Erkennen von Objekten in einer Szene hinausgeht. Das Erkennen dessen, was da ist, ist nur der erste Schritt. Der eigentliche Wert entsteht dadurch, herauszufinden, was mit diesen Informationen zu tun ist, und sie innerhalb der größeren Wertschöpfungskette nützlich zu machen.

Verhaltens-Tracking-Technologie: der Schlüssel zu umsetzbarer KI#

Ein entscheidender Schritt, um KI wirklich nützlich zu machen, besteht darin, über grundlegende computer vision tasks wie Objekterkennung hinauszugehen und diese Erkenntnisse für das Verhaltens-Tracking zu nutzen. David hob hervor, dass sich Behavioral AI darauf konzentriert, Aktionen und Muster zu verstehen, anstatt nur Objekte zu identifizieren. Dadurch ist KI in der Lage, bedeutsame Ereignisse zu erkennen und umsetzbare Erkenntnisse zu 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, können AI-driven surveillance systems mit Verhaltensverfolgung das. Solche Lösungen können Objekte kontinuierlich überwachen, spezifische Verhaltensweisen erkennen, eine Warnung senden und rechtzeitiges Handeln ermöglichen. Dies verwandelt Rohdaten in etwas Praktisches und Wertvolles.

David zeigte auch, dass dieser Ansatz KI nicht nur interessant, sondern wirklich wirkungsvoll macht. Durch die Lösung echter Probleme, wie das Überwachen von Verhaltensweisen und das Handeln darauf, kann Verhaltens-Tracking zu einem Schlüsselbestandteil effektiver KI-Lösungen in verschiedenen Branchen werden.

Verhaltens-KI zum Leben erwecken#

David Scott veranschaulichte anschließend, wie Ultralytics YOLOv8, ein Computer-Vision-Modell, einen Durchbruch für die Verhaltens-Tracking-Projekte seines Teams darstellte. Es bot ihnen eine solide Grundlage zum Erkennen, Klassifizieren und Verfolgen von Objekten. Sein Team ging noch einen Schritt weiter und hat custom-trained YOLOv8, um sich auf die Überwachung von Verhaltensweisen im Zeitverlauf zu konzentrieren, was es für reale Situationen praktischer und hilfreicher macht.

Interessanterweise können Lösungen wie die von The Main Branch mit der Veröffentlichung von Ultralytics YOLO11 noch zuverlässiger und genauer werden. Dieses neueste Modell bietet Funktionen wie verbesserte Präzision und schnellere Verarbeitung, die seine Fähigkeit zur Verhaltensverfolgung verbessern. Wir werden dies genauer besprechen, nachdem wir ein besseres Verständnis für die Anwendungen gewonnen haben, für die Behavioral AI eingesetzt werden kann.

Als Nächstes erkunden wir die Lösungen, über die David sprach, und wie Verhaltens-Tracking-Technologie in realen Anwendungen eingesetzt wird, um alltägliche Herausforderungen zu lösen und einen sinnvollen Einfluss zu erzielen.

HerdSense mit KI-gesteuerter Verhaltensanalyse#

Zuerst erzählte David von einer spannenden Herausforderung, die sie mit einem Projekt namens HerdSense angingen, bei dem es um die Überwachung der Gesundheit von Tausenden von Kühen auf einem riesigen Futterplatz ging. Das Ziel war es, das Verhalten einzelner Kühe zu verfolgen, um potenzielle Gesundheitsprobleme zu identifizieren. Das bedeutete, Zehntausende von Tieren gleichzeitig im Auge zu behalten, und das war keine einfache Aufgabe.

Fig 2. HerdSense konzentrierte sich auf die Überwachung und Identifizierung von Kühen mithilfe von Behavioral AI.

Um mit der Lösung des Problems der Identifizierung jeder Kuh und der Verfolgung ihres Verhaltens zu beginnen, führte Davids Team einen zweitägigen Workshop durch, um jedes mögliche Verhalten zu skizzieren, das sie überwachen mussten. Sie identifizierten insgesamt über 200 Verhaltensweisen.

Jede der 200 Verhaltensweisen hing davon ab, einzelne Kühe präzise erkennen zu können, da alle Daten mit spezifischen Tieren verknüpft werden mussten. Ein großes Problem war das Verfolgen von Kühen, wenn sie sich in Gruppen zusammenscharten, was es schwierig machte, einzelne Tiere zu sehen.

Davids Team entwickelte ein Computer-Vision-System, um sicherzustellen, dass jede Kuh konsistent identifiziert wurde, selbst in schwierigen Situationen. Sie konnten bestätigen, dass derselben Kuh immer dieselbe ID zugewiesen wurde, auch wenn sie aus dem Blickfeld verschwand, sich unter andere mischte oder später wieder auftauchte.

Überwachung der Pferdegesundheit mittels Computer Vision#

Weitergehend stellte David ein weiteres faszinierendes Projekt vor, bei dem ähnliche Techniken zur Verhaltensverfolgung auf die Überwachung von Pferden angewendet wurden. Bei diesem Projekt musste Davids Team die IDs einzelner Pferde nicht so genau track wie bei den Kühen. Stattdessen konzentrierten sie sich auf spezifische Verhaltensweisen und verfolgten Details wie Fressmuster und allgemeine Aktivitätsniveaus, um gesundheitliche Probleme frühzeitig zu erkennen. Die Identifizierung kleiner Verhaltensänderungen könnte zu schnelleren Interventionen führen, um eine bessere Betreuung zu gewährleisten und Probleme zu verhindern, bevor sie ernst werden.

Fig 3. Überwachung von Pferden mit Hilfe von Behavioral AI.

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

David diskutierte auch die Komplexität der Verhaltensverfolgung anhand eines faszinierenden Beispiels. Bei der Recherche nach Möglichkeiten zur Verbesserung der Verhaltensanalyse stieß sein Team auf ein Unternehmen, das behauptete, detect shoplifting durch die Analyse bestimmter Posen, wie wenn jemand die Hand in der Tasche hat. Das schien anfangs eine kluge Idee zu sein – bestimmte Bewegungen könnten auf verdächtiges Verhalten hindeuten, oder?

Fig 4. Die Herausforderungen der Verhaltens-Tracking-Technologie verstehen.

Als David jedoch weiter forschte, erkannte er die Grenzen dieser Methode. Eine einzelne Pose, wie die Hand in der Tasche, bedeutet nicht unbedingt, dass jemand einen Ladendiebstahl begeht. Es könnte einfach darauf hindeuten, dass die Person entspannt ist, nachdenkt oder sogar friert. Das Problem, sich auf isolierte Posen zu konzentrieren, ist, dass der größere Kontext ignoriert wird. Verhalten ist nicht nur eine einzelne Aktion – es ist ein Muster von Aktionen über die Zeit, geformt durch Kontext und Absicht.

David betonte, dass echtes Verhaltens-Tracking weitaus komplexer ist und einen ganzheitlichen Ansatz erfordert. Es geht darum, Handlungssequenzen zu analysieren und zu verstehen, was sie im größeren Zusammenhang bedeuten. Obwohl die KI-Branche Fortschritte macht, merkte er an, dass es noch viel zu tun gibt, um Verhaltens-Tracking weiterzuentwickeln und aussagekräftige und genaue Erkenntnisse zu liefern.

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

Anschließend nahm David das Publikum mit hinter die Kulissen, um zu zeigen, wie sein Team mithilfe von Ultralytics YOLOv8 und dessen Funktionen zur Pose Estimation eine Computer-Vision-Lösung zur Überwachung der Gesundheit von Kühen entwickelte.

Sie begannen damit, einen benutzerdefinierten dataset für die Posen Schätzung einer Kuh zu erstellen, wodurch die Standardanzahl der Schlüsselpunkte von 17 auf 145 erhöht wurde, um das Modell bei der Bewegungsanalyse besser zu machen. Dann wurde das Modell auf einem massiven Datensatz mit über 2 Millionen Bildern und 110 Millionen Verhaltensbeispielen trainiert.

Unter Verwendung fortschrittlicher Hardware-Infrastruktur konnte Davids Team das Modell in nur zwei Tagen trainieren, anstatt der Wochen, die es auf herkömmlicher Hardware gedauert hätte. Das trainierte Modell wurde dann in einen benutzerdefinierten Verhaltenstracker integriert, der mehrere Videobilder gleichzeitig analysierte, um Muster in den Aktionen der Kühe zu erkennen.

Das Ergebnis war eine KI-gesteuerte Vision-Lösung, die acht verschiedene Kuhverhaltensweisen wie Fressen, Trinken und Liegen erkennen und verfolgen kann, um kleine Verhaltensänderungen zu entdecken, die auf gesundheitliche Probleme hinweisen könnten. Dies ermöglicht es Landwirten, schnell zu handeln, und verbessert das Herdenmanagement.

Der Weg in die Zukunft für Verhaltens-KI#

David schloss seinen Vortrag mit einer wichtigen Lektion für das Publikum: „Wenn du der KI keinen Raum zum Scheitern gibst, bereitest du dich auf das Scheitern vor, denn am Ende des Tages ist sie statistisch.“ Er wies darauf hin, dass KI trotz ihrer Stärken nicht fehlerfrei ist. Es ist ein Werkzeug, das aus Mustern lernt, und es wird immer Zeiten geben, in denen sie die Dinge nicht richtig erfasst. Anstatt diese Fehler zu fürchten, ist der Schlüssel, Systeme zu bauen, die damit umgehen können und sich im Laufe der Zeit weiter verbessern.

Dies gilt auch für computer vision models selbst. Zum Beispiel wurde Ultralytics YOLO11, die neueste Version der Ultralytics YOLO-Modelle, unter Berücksichtigung der Notwendigkeit entwickelt, die Dinge im Vergleich zu YOLOv8 auf die nächste Stufe zu heben.

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

Insbesondere bietet Ultralytics YOLO11 eine bessere Leistung, insbesondere bei Echtzeitanwendungen, bei denen es auf Präzision ankommt, wie in der Landwirtschaft und im Gesundheitswesen. Mit seinen erweiterten Funktionen definiert YOLO11 neu, wie Branchen KI nutzen, indem es innovative Echtzeiteinblicke liefert und ihnen hilft, Herausforderungen effektiver zu meistern.

Wichtige Erkenntnisse#

Davids Keynote auf der YV24 war eine Erinnerung daran, dass KI mehr ist als nur eine coole Innovation – sie ist ein mächtiges Werkzeug zur Lösung echter Probleme und zur Verbesserung unseres Lebens und Arbeitens. Durch die Konzentration auf Verhalten hat KI bereits einen Einfluss in Bereichen wie der Überwachung der Tiergesundheit und dem Erkennen von bedeutungsvollen Mustern in alltäglichen Handlungen.

Das Potenzial für Verhaltens-KI ist aufregend, und wir stehen erst am Anfang. Durch die Umwandlung von Rohdaten in umsetzbare Erkenntnisse wechselt die Verhaltens-KI von der passiven Überwachung zur aktiven Problemlösung. Während sie sich weiterentwickelt, wird die Verhaltens-KI dazu beitragen, intelligentere Entscheidungen zu treffen, Prozesse zu rationalisieren und sinnvolle Verbesserungen in unser Leben zu bringen.

Bleibe mit our community in Verbindung, um mehr über KI und ihre realen Anwendungen zu erfahren. Besuche our GitHub repository, um Innovationen in Bereichen wie AI in agriculture und computer vision in manufacturing zu entdecken.