So trainierst du Ultralytics YOLO-Modelle zur Erkennung von Tieren in freier Wildbahn

Die Tierwelt unseres Planeten ist unglaublich vielfältig – von summenden Bienen bis zu riesigen Elefanten. Der Erhalt dieser biologischen Vielfalt ist entscheidend für ein ausgewogenes Ökosystem. Naturschutzmaßnahmen werden jedoch durch den Verlust von Lebensräumen, Wilderei und den Klimawandel zunehmend schwieriger. All diese Faktoren wirken sich negativ auf die Wildtierbestände aus.

Traditionelle Methoden zur Tierüberwachung, etwa die manuelle Analyse von Bildern aus Kamerafallen und Feldstudien, können langsam sein und viele Ressourcen erfordern. Mit diesen Maßnahmen lassen sich große Gebiete und große Populationen oft nicht effektiv abdecken.

Um diese Einschränkungen zu überwinden, kann künstliche Intelligenz (AI) als wirkungsvolles Werkzeug im Naturschutz eingesetzt werden. Insbesondere Computer-Vision-Modelle wie Ultralytics YOLO11 können visuelle Daten wie Bilder und Videos analysieren, um die Identifizierung und Verfolgung von Tieren in Echtzeit zu automatisieren.

Computer-Vision-Aufgaben wie Objekterkennung und Instanzsegmentierung, die von Ultralytics YOLO11 unterstützt werden, sind hier sehr nützlich. Durch die Analyse visueller Daten helfen diese Aufgaben dabei, wichtige Daten zu erfassen, ökologische Muster zu erkennen und effektiver auf Umweltbedrohungen zu reagieren.

In diesem Artikel führen wir dich durch den Prozess, Ultralytics YOLO11 für die Erkennung von Tieren zu trainieren. Los geht’s!

Erste Schritte mit Ultralytics YOLO11#

Bevor wir in das Tutorial einsteigen, sehen wir uns die verschiedenen Einrichtungsoptionen und Tools an, die du zum Trainieren und Verwenden von Ultralytics YOLO11 benötigst.

Das wichtigste Tool, das du benötigst, ist das Ultralytics Python-Paket. Es erleichtert die Arbeit mit YOLO-Modellen für Aufgaben wie Training, Objekterkennung und das Ausführen von Inferenz. Um das Ultralytics-Paket zu verwenden, musst du eine Umgebung zum Ausführen deines Codes einrichten. Dafür stehen dir verschiedene Optionen zur Verfügung.

Hier sind einige der beliebtesten Optionen zum Einrichten deiner Entwicklungsumgebung:

• Befehlszeilenschnittstelle (CLI): Die CLI, auch als Terminal bezeichnet, ist ein textbasiertes Tool, mit dem du durch Eingabe von Befehlen mit deinem Computer interagierst. Anders als bei grafischen Benutzeroberflächen (GUIs), bei denen du Schaltflächen anklickst und eine Maus verwendest, musst du bei der CLI Textanweisungen eingeben, um Programme auszuführen oder Aufgaben zu erledigen.
• Jupyter Notebooks: Mit diesen Notebooks kannst du Code in kleinen Abschnitten schreiben und ausführen, die als Zellen bezeichnet werden. Sie sind interaktiv, sodass du die Ausgabe deines Codes sofort sehen kannst. Dadurch werden Testen und Fehlersuche erleichtert.
• Google Colab: Google Colab ist eine cloudbasierte Plattform, die ähnlich wie Jupyter Notebooks funktioniert, aber kostenlosen Zugriff auf leistungsstarke GPUs bietet. Die Einrichtung ist einfach, und du musst nichts auf deinem Computer installieren.

Es gibt weitere Optionen zum Einrichten deiner Umgebung, die du in der offiziellen Ultralytics-Dokumentation erkunden kannst. Die drei oben genannten Optionen erfordern jedoch nur sehr wenig Einrichtung und sind einfach zu verwenden, sodass sie sich ideal für einen schnellen Einstieg eignen.

In diesem Tutorial zeigen wir, wie du Ultralytics YOLO11 mit Google Colab, Jupyter Notebooks oder einer einfachen Python-Datei einrichtest und trainierst, da die Schritte in all diesen Umgebungen sehr ähnlich sind.

Das African Wildlife Dataset verstehen#

Nachdem du eine Entwicklungsumgebung ausgewählt hast, benötigen wir zum Trainieren von Ultralytics YOLO11 für die Erkennung wild lebender Tiere einen hochwertigen Datensatz mit beschrifteten Bildern. Jedes Bild sollte klar zeigen, wo sich die Tiere befinden und welcher Art sie angehören, damit das Modell sie durch überwachtes Lernen erkennen kann.

In diesem Tutorial verwenden wir das African Wildlife Dataset. Es wird vom Ultralytics Python-Paket unterstützt und wurde speziell für die Erkennung von Tieren entwickelt, die häufig in afrikanischen Ökosystemen vorkommen. Es enthält annotierte Bilder von vier wichtigen Arten: Büffeln, Elefanten, Nashörnern und Zebras.

Abb. 1 Ein Einblick in das African Wildlife Dataset.

Hier sind einige wichtige Merkmale des African Wildlife Dataset:

• Umfang: Der Datensatz besteht aus 1504 Bildern, die in drei Teilmengen aufgeteilt sind: 1052 für das Training, 225 für die Validierung und 227 für den Test. Diese Aufteilung stellt sicher, dass das Modell effektiv lernt und gründlich bewertet wird.
• Nahtlose Integration: Ultralytics stellt eine YAML-Konfigurationsdatei bereit, in der Datensatzpfade, Klassen und weitere Details definiert sind. Dadurch lässt sich der Datensatz beim Training von YOLO-Modellen einfach verwenden.
• Offene Lizenz: Dieser Datensatz wird unter der AGPL-3.0-Lizenz verbreitet und fördert dadurch Transparenz und Zusammenarbeit.

Ultralytics YOLO11 für die Tiererkennung trainieren#

Nachdem wir das African Wildlife Dataset erkundet haben, können wir mit dem Training eines Ultralytics YOLO11-Modells zur Erkennung von Tieren in Bildern beginnen. Der Prozess umfasst das Einrichten der Entwicklungsumgebung, das Trainieren des YOLO11-Modells und die Bewertung seiner Leistung.

Schritt 1: Umgebung einrichten#

Zu Beginn bereiten wir eine Umgebung für das Training und Testen des Modells vor. Je nach deinen Vorlieben kannst du Google Colab, Jupyter Notebooks oder eine einfache Python-Datei verwenden. Erstelle entsprechend ein neues Google-Colab-Notebook, Jupyter Notebook oder eine Python-Datei.

Wenn du Google Colab verwendest, läuft die Umgebung standardmäßig auf einer CPU (zentralen Verarbeitungseinheit), was das Training verlangsamen kann. Um den Vorgang zu beschleunigen, insbesondere bei größeren Modellen, kannst du die Laufzeit auf eine GPU umstellen. Öffne dazu in Google Colab im Menü den Tab „Runtime“, wähle „Change runtime type“ und stelle den Hardwarebeschleuniger auf eine GPU ein (vorzugsweise eine T4 GPU). Das ist wichtig, um die Trainingszeiten zu verkürzen.

Unabhängig davon, welche Umgebung du verwendest, musst du als Nächstes das Ultralytics Python-Paket installieren. Wenn du eine notebookbasierte Umgebung (Google Colab oder Jupyter) verwendest, führe den folgenden Befehl mit einem Ausrufezeichen (!) am Anfang aus.

pip install ultralytics

Schritt 2: Ultralytics YOLO11 laden und den Datensatz vorbereiten#

Sobald das Ultralytics-Paket installiert ist, besteht der nächste Schritt darin, das YOLO11-Modell zu laden und den Datensatz für das Training vorzubereiten. Zuerst laden wir das YOLO11-Modell, das bereits für allgemeine Objekterkennungsaufgaben vortrainiert wurde. Dieses vortrainierte Modell bietet einen guten Ausgangspunkt, da es bereits gelernt hat, verschiedene Objekte zu erkennen.

Anschließend geben wir den Datensatz mithilfe einer YAML-Datei an, die Informationen zu den Bildern und Beschriftungen enthält. Diese Datei teilt dem Modell mit, wo es den Datensatz findet und welche Objekte es erkennen lernen soll.

Das African Wildlife Dataset wird vom Ultralytics-Paket unterstützt und daher automatisch heruntergeladen, sobald du das Training startest. Dadurch musst du es nicht manuell einrichten.

Sobald der Datensatz bereit ist, beginnt das Modell mit dem Training. Das Modell durchläuft den Datensatz mehrmals – ein Prozess, der als Training über mehrere Epochen bezeichnet wird –, um seine Fähigkeit zur Erkennung von Tieren in den Bildern zu verbessern. Während dieses Prozesses werden die Bilder für die Verarbeitung auf eine einheitliche Größe angepasst, und das Modell verarbeitet jeweils eine festgelegte Anzahl von Bildern, die als Batch bezeichnet wird. Dadurch kann das Modell effizienter lernen.

Kurz gesagt: Beim Ausführen des folgenden Codeausschnitts wird das Modell geladen, der Datensatz automatisch heruntergeladen und das Training zur Erkennung von Tieren auf Grundlage des African Wildlife Dataset gestartet.

from ultralytics import YOLO

model = YOLO("yolo11n.pt")
results = model.train(data="african-wildlife.yaml", epochs=30, batch=8)

Schritt 3: Durchführung des Ultralytics YOLO11-Trainings#

Sobald der obige Codeausschnitt ausgeführt wurde, beginnt das Modell auf Grundlage der vorgegebenen Einstellungen mit dem Training. Über den Code haben wir festgelegt, dass das Modell die Trainingsbilder 30-mal durchläuft. Das bedeutet, dass es alle Bilder im Datensatz 30-mal betrachtet und dabei jedes Mal etwas mehr lernt.

Stell dir vor, du möchtest lernen, wie man ein Tier zeichnet. Beim ersten Versuch sieht die Zeichnung vielleicht nicht gut aus, aber durch wiederholtes Üben wirst du immer besser. Bei jedem neuen Versuch lernst du aus deinen Fehlern und korrigierst sie. Genau das bewirkt jede Epoche für das Modell: Es betrachtet die Bilder, macht Fehler, lernt daraus und erkennt Tiere mit jedem Durchlauf besser.

Wenn der Trainingscode erfolgreich ausgeführt wird, siehst du während des Trainings die folgende Ausgabe:

• Trainingseinrichtung: Der erste Abschnitt zeigt die verwendete Version von Ultralytics und PyTorch sowie die verwendete Hardware (in diesem Fall CPU) zusammen mit der Trainingskonfiguration, einschließlich Modell (yolo11n.pt), Batch-Größe, Epochen und Bildgröße.
• Modellübersicht: Sie enthält Informationen zur Komplexität des Modells, etwa zur Anzahl der Schichten und Parameter, und zeigt damit, wie groß das Modell ist.
• Optimierer und Lernrate: Angegeben werden der Optimierer (z. B. AdamW) und die Lernrate, die steuern, wie das Modell seine Parameter während des Trainings anpasst.
• Datensatzprüfung: Das Modell überprüft den Datensatz und zeigt, wie viele Bilder gültig und für das Training bereit sind. Dadurch wird bestätigt, dass der Datensatz keine Probleme aufweist.
• Trainingsfortschritt: Nach jeder Epoche (Trainingszyklus) wird die Ausgabe aktualisiert. Sie zeigt den Trainingsfortschritt zusammen mit wichtigen Verlustwerten (box_loss, cls_loss, dfl_loss), die angeben, wie gut das Modell lernt.
• Leistungsmetriken: Nach jeder Epoche siehst du Leistungsmetriken wie Präzision, Recall und mAP (mittlere durchschnittliche Präzision). Diese Werte zeigen, wie genau das Modell Objekte erkennt und klassifiziert.
• GPU-Speichernutzung: Wenn du eine GPU verwendest, zeigt die Ausgabe die Speichernutzung an, um die Hardwareauslastung zu überwachen.

Abb. 2. Die Ausgabe, die du während des Modelltrainings siehst.

Schritt 4: Leistung des individuell trainierten Modells bewerten#

Nach Abschluss des Trainings kannst du die Leistungsmetriken des Modells überprüfen und validieren. In Google Colab kannst du zum Ordner „runs“, anschließend zum Ordner „detect“ und schließlich zum Ordner „train“ navigieren. Dort findest du Protokolle mit wichtigen Leistungsindikatoren.

Für Benutzer in einer Python-Umgebung werden die Trainingsergebnisse standardmäßig im Verzeichnis „runs/train/“ innerhalb deines aktuellen Arbeitsverzeichnisses gespeichert. Jeder Trainingslauf erstellt ein neues Unterverzeichnis (z. B. runs/train/exp, runs/train/exp2 usw.), in dem du die Protokolle und weitere Ausgaben zum Training findest.

Wenn du die CLI verwendest, kannst du über den Befehl „yolo settings“ einfach auf diese Ergebnisse und Einstellungen zugreifen. Damit kannst du die Pfade und andere Konfigurationen für Trainingsprotokolle und Experimentdetails anzeigen oder ändern.

In den Protokollen findest du außerdem einige Diagramme, anhand derer du beurteilen kannst, wie gut der Modelltrainingsprozess verlaufen ist. Diese nach Abschluss des Trainings erstellten Diagramme zeigen, ob sich das Modell im Laufe der Zeit verbessert hat, indem es weniger Fehler macht und genauer wird.

Sie verfolgen den Fortschritt des Modells und zeigen, wie der Verlust (die Differenz zwischen den Vorhersagen des Modells und den tatsächlichen Werten) während des Trainings abgenommen und die Genauigkeit zugenommen hat. So kannst du nachvollziehen, wie gut das Modell gelernt hat, Tiere zu erkennen, und wie stark es sich bis zum Ende des Trainings verbessert hat.

Abb. 3. Ein Beispiel für die Diagramme, die du zur Bewertung deines Modells analysieren kannst.

Wichtige Metriken zur Leistungsbewertung#

Hier siehst du außerdem einige Metriken genauer, mit denen du die Leistung des Modells bewerten kannst:

• Mittlere durchschnittliche Präzision (mAP): Diese Metrik misst die Gesamтgenauigkeit des Modells bei der Erkennung von Tieren über alle Klassen hinweg, indem die Präzisionswerte bei verschiedenen Recall-Niveaus gemittelt werden.
• Präzision: Sie gibt den Prozentsatz der korrekten Erkennungen an. Dazu wird die Anzahl der richtig positiven Erkennungen durch die Gesamtzahl der vorgenommenen Erkennungen geteilt.
• Recall: Er gibt den Prozentsatz der tatsächlich in den Bildern vorhandenen Tiere an, die vom Modell korrekt identifiziert wurden, und zeigt damit seine Fähigkeit, alle relevanten Instanzen zu erfassen.

Diese Bewertungsmetriken können dir dabei helfen, das Modell fein abzustimmen und die Genauigkeit zu verbessern, bevor du es in realen Anwendungen einsetzt.

Inferenz mit deinem individuell trainierten Ultralytics YOLO11-Modell ausführen#

Nachdem wir Ultralytics YOLO11 trainiert und bewertet haben, ist es an der Zeit, damit Bilder zu analysieren und Inferenz auszuführen. Du kannst die Testbilder aus dem Datensatz oder neue Bilder aus verschiedenen Quellen verwenden.

Wir verwenden den folgenden Codeausschnitt, um das Modell auf einem Bild aus dem Testdatensatz auszuführen. Er importiert die benötigten Module aus der Ultralytics-Bibliothek. Anschließend definiert er den Pfad zur Datei mit den besten Modellgewichten ("best.pt"), die im Ergebnisverzeichnis gespeichert ist. Das individuell trainierte YOLO11-Modell wird mithilfe dieser Gewichte geladen.

Danach wird der Pfad zu einem Bild aus dem afrikanischen Wildtier-Testdatensatz festgelegt. Das Modell wird zur Objekterkennung auf dieses Bild angewendet, die Ergebnisse werden erzeugt und die Ausgabe (etwa erkannte Objekte oder Annotationen) wird gespeichert.

from ultralytics import YOLO, settings

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_path)
image_path = f"{settings['datasets_dir']}/african-wildlife/test/images/1 (168).jpg"
img_results = model(image_path, save=True)

Das unten gezeigte Ausgabebild wird im Ordner "predict" gespeichert, der sich im Verzeichnis runs/detect befindet. Für nachfolgende Tests werden neue Ordner wie "predict2", "predict3" usw. erstellt, in denen die Bilder gespeichert werden.

Abb. 4. Ausführen einer Inferenz mit dem feinabgestimmten Ultralytics YOLO11-Modell auf einem Testbild.

Um Bilder aus verschiedenen Quellen zu testen, kannst du den folgenden Code verwenden. Wir haben ein Bild von Pexels verwendet. Du kannst dasselbe oder ein beliebiges anderes geeignetes Bild verwenden.

from ultralytics import YOLO

best_model_path = results.save_dir / "weights/best.pt"
model = YOLO(best_model_path)
img2_results = model("https://images.pexels.com/photos/18341011/pexels-photo-18341011/free-photo-of-elephant-and-zebras-in-savannah.png", save=True)

Das unten gezeigte Ausgabebild wird im entsprechenden Ordner gespeichert.

Abb. 5. Wildtiere mit dem feinabgestimmten Ultralytics YOLO11-Modell in einem unbekannten Bild erkennen.

AI für den Wildtierschutz: Anwendungen in der Praxis#

Modelle wie Ultralytics YOLO11 können Tiere automatisch erkennen und verfolgen, wodurch eine Vielzahl praktischer Anwendungen möglich wird. Hier ist ein Überblick über einige wichtige Bereiche, in denen Vision AI zur Unterstützung von Wildtierschutz-Maßnahmen eingesetzt werden kann:

• Artenüberwachung: Vision AI kann visuelle Daten wie Bilder und Videos verarbeiten, um Arten präzise zu identifizieren, Populationen zu zählen und ihre Bewegungen im Laufe der Zeit zu verfolgen.
• Intelligente Kamerawarnungen: In abgelegenen Gebieten kann Computer Vision kontinuierlich Tiere klassifizieren und Warnungen in Echtzeit senden. Dadurch können Wildtierbehörden schnell auf Bedrohungen wie ungewöhnliches Tierverhalten oder Konflikte zwischen Menschen und Wildtieren reagieren.
• Verhaltensanalyse: Durch die Überwachung von Wanderungen, Fressgewohnheiten und sozialen Interaktionen können Vision-AI-Systeme umfassende Einblicke in die Dynamik zwischen verschiedenen Arten liefern.
• Verhinderung von Wilderei: Vision AI kann eingesetzt werden, um unbefugte Anwesenheit von Menschen und Anzeichen von Wilderei zu erkennen. Durch die Kombination mit maschinellem Lernen und historischen Daten lassen sich außerdem Risikobrennpunkte ermitteln.

Wichtige Erkenntnisse#

Computer-Vision-Modelle wie Ultralytics YOLO11 können durch die Automatisierung der Tiererkennung und -verfolgung eine wichtige Rolle im Wildtierschutz spielen. Mit Vision AI können wir große Mengen an Bildern und Videos aus verschiedenen Quellen verarbeiten und dadurch präzise Bewertungen von Wildtierbeständen durchführen.

Insbesondere für die Objekterkennung in Echtzeit ist Ultralytics YOLO11 eine ausgezeichnete Wahl. Damit eignet es sich ideal für Aufgaben wie die Überwachung zur Bekämpfung von Wilderei, Verhaltensanalyse und Ökosystemüberwachung. Durch die Einbindung KI-gestützter Modelle in Naturschutzmaßnahmen können wir Arten besser schützen, die Beobachtung der biologischen Vielfalt verbessern und fundiertere Entscheidungen zum Schutz bedrohter Wildtiere treffen.

Tritt unserer Community bei und erkunde das GitHub-Repository, um mehr über Computer Vision zu erfahren. Entdecke auf unseren Lösungsseiten weitere Anwendungen im Bereich AI im Gesundheitswesen und Computer Vision in der Fertigung. Sieh dir die Ultralytics-Lizenzoptionen an, um mit Vision AI zu beginnen.