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

Die Tierwelt unseres Planeten ist unglaublich vielfältig – von summenden Bienen bis hin zu riesigen Elefanten. Diese Artenvielfalt zu bewahren, ist entscheidend für ein ausgewogenes Ökosystem. Naturschutzmaßnahmen werden jedoch durch den Verlust von Lebensräumen, Wilderei und den Klimawandel zunehmend erschwert. All diese Faktoren wirken sich negativ auf Wildtierbestände aus.

Herkömmliche Methoden zur Beobachtung von Tieren, etwa die manuelle Analyse von Bildern aus Fotofallen und Feldstudien, sind oft langsam und ressourcenintensiv. Mit solchen Maßnahmen lassen sich große Gebiete und zahlreiche Tierbestände häufig nicht wirksam abdecken.

Um diese Einschränkungen zu überwinden, kann künstliche Intelligenz (AI) ein wirksames Werkzeug für den Schutz von Wildtieren sein. Insbesondere Computer-Vision-Modelle wie Ultralytics YOLO11 können visuelle Daten wie Bilder und Videos analysieren, um Tiere in Echtzeit automatisch zu erkennen und zu verfolgen.

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

In diesem Artikel führen wir dich durch das Training von Ultralytics YOLO11 zur Erkennung von Tieren.

Erste Schritte mit Ultralytics YOLO11#

Bevor wir mit dem Tutorial beginnen, sehen wir uns die verschiedenen Einrichtungsmöglichkeiten und Werkzeuge an, die du zum Trainieren und Verwenden von Ultralytics YOLO11 benötigst.

Das wichtigste Werkzeug ist das Ultralytics Python-Paket. Damit kannst du YOLO-Modelle einfach für Aufgaben wie Training, Objekterkennung und Inferenz verwenden. Um das Ultralytics-Paket zu nutzen, musst du eine Umgebung für die Ausführung deines Codes einrichten. Dafür stehen dir verschiedene Optionen zur Verfügung.

Hier sind einige der gängigsten Möglichkeiten, deine Entwicklungsumgebung einzurichten:

• Befehlszeilenschnittstelle (CLI): Die CLI, auch Terminal genannt, ist ein textbasiertes Werkzeug, mit dem du über eingegebene Befehle mit deinem Computer interagierst. Anders als bei grafischen Benutzeroberflächen (GUIs), in denen du auf Schaltflächen klickst und eine Maus verwendest, musst du in der CLI Textanweisungen eingeben, um Programme auszuführen oder Aufgaben zu erledigen.
• Jupyter Notebooks: In diesen Notizbüchern kannst du Code in kleinen Abschnitten, sogenannten Zellen, schreiben und ausführen. Die interaktive Arbeitsweise zeigt dir die Ausgabe deines Codes sofort und erleichtert so das Testen und die Fehlersuche.
• Google Colab: Google Colab ist eine cloudbasierte Plattform, die ähnlich wie Jupyter Notebooks funktioniert, aber kostenlosen Zugang zu leistungsstarken GPUs bietet. Die Einrichtung ist einfach und du musst nichts auf deinem Computer installieren.

Es gibt weitere Möglichkeiten, deine Umgebung einzurichten, die du in der offiziellen Ultralytics-Dokumentation findest. Die drei oben genannten Optionen erfordern jedoch nur wenig Einrichtung und sind einfach zu bedienen. Damit eignen sie sich ideal für einen schnellen Einstieg.

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

Der Datensatz African Wildlife Dataset#

Nachdem du eine Entwicklungsumgebung ausgewählt hast, benötigst du zum Trainieren von Ultralytics YOLO11 für die Erkennung von Wildtieren einen hochwertigen Datensatz mit beschrifteten Bildern. Jedes Bild sollte deutlich zeigen, wo sich die Tiere befinden und um welche Arten es sich handelt, damit das Modell sie durch überwachtes Lernen erkennen kann.

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

Abb. 1. Ein Einblick in den African Wildlife Dataset.

Hier sind einige wichtige Merkmale des African Wildlife Dataset:

• Umfang: Der Datensatz umfasst 1504 Bilder, die in drei Teilmengen unterteilt sind: 1052 für das Training, 225 für die Validierung und 227 für das Testen. Diese Aufteilung sorgt dafür, dass das Modell effektiv lernt und gründlich bewertet wird.
• Einfache Integration: Ultralytics stellt eine YAML-Konfigurationsdatei bereit, in der Datensatzpfade, Klassen und weitere Angaben festgelegt werden. Dadurch lässt sie sich beim Training von YOLO-Modellen einfach verwenden.
• Lizenzierung: Für den von Bianca Ferreira auf Kaggle veröffentlichten Quelldatensatz ist keine Lizenz angegeben. Prüfe daher vor einer kommerziellen Nutzung die geltenden Bedingungen.

Ultralytics YOLO11 für die Erkennung von Tieren trainieren#

Nachdem wir uns den African Wildlife Dataset angesehen haben, können wir mit dem Training eines Ultralytics-YOLO11-Modells zur Erkennung von Tieren in Bildern beginnen. Dazu richten wir die Entwicklungsumgebung ein, trainieren das YOLO11-Modell und bewerten seine Leistung.

Schritt 1: Umgebung einrichten#

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

Wenn du Google Colab verwendest, läuft die Umgebung standardmäßig auf einer CPU (Zentrale Verarbeitungseinheit), was das Training verlangsamen kann. Um den Vorgang zu beschleunigen, insbesondere bei größeren Modellen, kannst du die Laufzeit auf eine GPU umstellen. Wechsle in Google Colab im Menü zum Tab „Runtime“, wähle „Change runtime type“ aus und lege eine GPU als Hardwarebeschleuniger fest (vorzugsweise eine T4-GPU). Das ist wichtig, um die Trainingszeit zu verkürzen.

Als Nächstes musst du unabhängig von der verwendeten Umgebung das Ultralytics Python-Paket installieren. Wenn du eine notebookbasierte Umgebung wie 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, laden wir als Nächstes das YOLO11-Modell und bereiten den Datensatz für das Training vor. Zuerst laden wir das Modell YOLO11n, 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 über eine YAML-Datei an, die Informationen zu den Bildern und Beschriftungen enthält. Diese Datei gibt dem Modell an, wo es den Datensatz findet und welche Objekte es erkennen lernen soll.

Das Ultralytics-Paket unterstützt den African Wildlife Dataset und lädt ihn daher automatisch herunter, sobald du mit dem Training beginnst. So musst du den Datensatz nicht manuell einrichten. Du kannst dir die Bilder und Labels auch auf der Ultralytics Platform ansehen.

Sobald der Datensatz bereit ist, beginnt das Training des Modells. Das Modell durchläuft den Datensatz mehrmals – dieser Vorgang wird Training über mehrere Epochen genannt –, um Tiere in den Bildern besser erkennen zu können. Währenddessen werden die Bilder für die Verarbeitung auf eine einheitliche Größe gebracht. Außerdem verarbeitet das Modell jeweils eine festgelegte Anzahl von Bildern auf einmal, die als Batch bezeichnet wird. Das unterstützt den Lernprozess des Modells.

Kurz gesagt: Das Modell wird geladen, der Datensatz automatisch heruntergeladen und das Training zur Erkennung von Tieren anhand des African Wildlife Dataset gestartet, sobald du den folgenden Codeausschnitt ausführst.

from ultralytics import YOLO

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

Derselbe Code funktioniert auch mit den neueren Modellen Ultralytics YOLO26: Ersetze einfach yolo11n.pt durch yolo26n.pt.

Schritt 3: Ein Durchgang durch das Training mit Ultralytics YOLO11#

Sobald du den obigen Codeausschnitt ausführst, beginnt das Modell mit den von uns festgelegten Einstellungen zu trainieren. Wir haben im Code angegeben, dass das Modell die Trainingsbilder 30-mal durchlaufen soll. Das bedeutet, dass das Modell alle Bilder des Datensatzes 30-mal betrachtet und dabei jedes Mal ein wenig dazulernt.

Stell dir vor, du möchtest lernen, ein Tier zu zeichnen. Beim ersten Versuch sieht die Zeichnung vielleicht nicht gut aus, aber durch wiederholtes Üben wirst du besser. Bei jedem neuen Versuch lernst du aus Fehlern und korrigierst sie. Genau das geschieht bei jeder Epoche des Modells: Es betrachtet die Bilder, macht Fehler, lernt daraus und erkennt Tiere mit jedem Durchlauf besser.

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

• Trainingseinrichtung: Im ersten Teil werden die Versionen von Ultralytics und PyTorch sowie die verwendete Hardware (in diesem Fall CPU) angezeigt, zusammen mit der Trainingskonfiguration, einschließlich Modell (yolo11n.pt), Batchgröße, Epochen und Bildgröße.
• Modellübersicht: Sie enthält Informationen zur Komplexität des Modells, etwa zur Anzahl der Ebenen und Parameter, und zeigt, wie groß das Modell ist.
• Optimierer und Lernrate: Hier werden der Optimierer (z. B. AdamW) und die Lernrate aufgeführt. Sie bestimmen, wie das Modell seine Parameter während des Trainings anpasst.
• Datensatzprüfung: Das Modell durchsucht den Datensatz und zeigt, wie viele Bilder gültig und für das Training bereit sind. So wird bestätigt, dass der Datensatz keine Probleme aufweist.
• Trainingsfortschritt: Die Ausgabe wird nach jeder Epoche (einem Trainingsdurchlauf) aktualisiert. Sie zeigt den Trainingsfortschritt und wichtige Verlustwerte (box_loss, cls_loss, dfl_loss), die angeben, wie gut das Modell lernt.
• Leistungskennzahlen: Nach jeder Epoche siehst du Kennzahlen wie Präzision, Recall und mAP (mittlere durchschnittliche Präzision). Diese Werte zeigen, wie genau das Modell Objekte erkennt und klassifiziert.
• GPU-Speicherauslastung: Wenn du eine GPU verwendest, zeigt die Ausgabe die Speicherauslastung an, damit du die Hardwareauslastung verfolgen kannst.

Abb. 2. Die Ausgabe, die während des Modelltrainings angezeigt wird.

Schritt 4: Leistung des benutzerdefiniert trainierten Modells bewerten#

Nach Abschluss des Trainings kannst du die Leistungskennzahlen des Modells überprüfen und validieren. In Google Colab kannst du zum Ordner "runs", dann zum Ordner "detect" und schließlich zum Ordner "train" wechseln. Dort findest du Protokolle mit wichtigen Leistungsindikatoren.

Wenn du in einer Python-Umgebung arbeitest, werden die Trainingsergebnisse standardmäßig im Verzeichnis „runs/detect/train“ innerhalb deines aktuellen Arbeitsverzeichnisses gespeichert. Bei jedem neuen Trainingslauf wird ein neues Unterverzeichnis erstellt (z. B. runs/detect/train2, runs/detect/train3 usw.). Dort findest du die Protokolle und weitere Ausgaben zum Training.

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

In den Protokollen findest du außerdem Diagramme, anhand derer du nachvollziehen kannst, wie gut das Modell trainiert wurde. Diese nach Abschluss des Trainings erstellten Diagramme zeigen, ob sich das Modell im Laufe der Zeit verbessert hat, indem es weniger Fehler machte und genauer wurde.

Sie verfolgen den Fortschritt des Modells und zeigen, wie der Verlust (die Abweichung zwischen den Vorhersagen des Modells und den tatsächlichen Werten) während des Trainings abnahm und die Genauigkeit zunahm. 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. Beispiel für Diagramme, die du zur Bewertung deines Modells analysieren kannst.

Wichtige Kennzahlen zur Leistungsbewertung#

Hier findest du außerdem einen genaueren Überblick über einige Kennzahlen, mit denen du die Leistung des Modells bewerten kannst:

• Mittlere durchschnittliche Präzision (mAP): Diese Kennzahl misst die Gesamtgenauigkeit des Modells bei der Erkennung von Tieren über alle Klassen hinweg, indem die Präzisionswerte bei verschiedenen Recall-Stufen gemittelt werden.
• Präzision: Sie gibt den Prozentsatz der korrekten Erkennungen an und wird berechnet, indem die Anzahl der richtig-positiven Erkennungen durch die Gesamtzahl der vorgenommenen Erkennungen geteilt wird.
• Recall: Er gibt den Prozentsatz der tatsächlich in den Bildern vorhandenen Tiere an, die das Modell korrekt erkannt hat, und spiegelt damit seine Fähigkeit wider, alle relevanten Instanzen zu erfassen.

Diese Bewertungskennzahlen können dir helfen, das Modell zu optimieren und seine Genauigkeit zu verbessern, bevor du es in realen Anwendungen einsetzt.

Inferenz mit deinem benutzerdefiniert trainierten Ultralytics YOLO11-Modell ausführen#

Nachdem wir Ultralytics YOLO11 trainiert und bewertet haben, können wir es jetzt zur Bildanalyse verwenden und Inferenzen ausführen. Dafür kannst du Testbilder aus dem Datensatz oder neue Bilder aus verschiedenen Quellen verwenden.

Mit dem folgenden Codeausschnitt führen wir das Modell auf einem Bild aus dem Testdatensatz aus. Er importiert die benötigten Module aus der Ultralytics-Bibliothek. Anschließend legt er den Pfad zur Datei mit den besten Modellgewichten ("best.pt") im Ergebnisverzeichnis fest. Mit diesen Gewichten wird das benutzerdefiniert trainierte YOLO11-Modell geladen.

Danach wird der Pfad zu einem Bild aus dem African-Wildlife-Testdatensatz festgelegt. Das Modell wird auf dieses Bild angewendet, um Objekte zu erkennen, die Ergebnisse werden erzeugt und die Ausgabe (z. B. erkannte Objekte oder Anmerkungen) 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" innerhalb des Verzeichnisses runs/detect gespeichert. Für weitere Tests werden neue Ordner wie "predict2", "predict3" usw. angelegt, in denen die Bilder gespeichert werden.

Abb. 4. 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 Bild oder ein anderes passendes 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 auf einem unbekannten Bild mit dem feinabgestimmten Ultralytics YOLO11-Modell erkennen.

KI für den Schutz von Wildtieren: Anwendungen in der Praxis#

Modelle wie Ultralytics YOLO11 können Tiere automatisch erkennen und verfolgen und ermöglichen so vielfältige praktische Anwendungen. Hier ein Einblick in einige wichtige Bereiche, in denen visuelle KI Maßnahmen zum Schutz von Wildtieren unterstützen kann:

• Artenmonitoring: Visuelle KI kann Bild- und Videodaten verarbeiten, um Arten zuverlässig zu bestimmen, Populationen zu zählen und ihre Bewegungen im Zeitverlauf zu verfolgen.
• Warnmeldungen intelligenter Kameras: In abgelegenen Gebieten kann Computer Vision Tiere kontinuierlich klassifizieren und Warnmeldungen in Echtzeit senden. So können Wildtierschutzbehörden schnell auf Gefahren wie ungewöhnliches Tierverhalten oder Konflikte zwischen Menschen und Wildtieren reagieren.
• Verhaltensanalyse: Durch die Beobachtung von Migration, Fressgewohnheiten und sozialen Interaktionen können visuelle KI-Systeme umfassende Einblicke in die Dynamik zwischen verschiedenen Arten liefern.
• Schutz vor Wilderei: Visuelle KI kann eingesetzt werden, um unbefugte menschliche Präsenz und Anzeichen von Wilderei zu erkennen. Mithilfe von maschinellem Lernen und historischen Daten lassen sich außerdem Risikogebiete ermitteln.

Die wichtigsten Erkenntnisse#

Computer-Vision-Modelle wie Ultralytics YOLO11 können eine wichtige Rolle beim Schutz von Wildtieren spielen, indem sie die Erkennung und Verfolgung von Tieren automatisieren. Mit visueller KI können wir große Mengen an Bildern und Videos aus verschiedenen Quellen verarbeiten und so zuverlässige Bewertungen von Wildtierbeständen ermöglichen.

Ultralytics YOLO11 eignet sich besonders gut für die Objekterkennung in Echtzeit und ist damit ideal für Aufgaben wie die Überwachung zur Bekämpfung von Wilderei, die Verhaltensanalyse und das Ökosystemmonitoring. Wenn wir KI-gestützte Modelle in Schutzmaßnahmen einbeziehen, können wir Arten besser schützen, die Artenvielfalt besser erfassen und fundiertere Entscheidungen zum Schutz bedrohter Wildtiere treffen.

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