SharkEye verwendet Ultralytics YOLOv8 zur Objekterkennung

Die Beobachtung von Tieren in ihren natürlichen Lebensräumen, sei es Weidevieh auf einer Farm oder Haie in Küstennähe, ist seit jeher wichtig für ihre Sicherheit und ihr Wohlergehen. Die manuelle Beobachtung ist jedoch nicht einfach. Sie erfordert oft stundenlange Geduld und sorgfältige Konzentration, da die Beobachter genau auf Verhaltens- oder Bewegungsänderungen achten müssen. Selbst dann können subtile, aber wichtige Anzeichen leicht übersehen werden.

Dank künstlicher Intelligenz (KI) wird dieser Prozess immer schneller, intelligenter und weitaus effizienter, was die Belastung der menschlichen Beobachter verringert und gleichzeitig die Genauigkeit erhöht. Insbesondere kann die Computer Vision eingesetzt werden, um Tiere track , Gefahren zu erkennen und Entscheidungen in Echtzeit zu treffen. Aufgaben, die früher Stunden dauerten, können jetzt in Minuten erledigt werden und eröffnen neue Möglichkeiten, das Verhalten von Tieren zu verstehen.

Auf der YOLO Vision 2024 (YV24), einer jährlichen Hybrid-Veranstaltung von Ultralytics, kamen Experten und Innovatoren zusammen, um zu erkunden, wie KI alltägliche Herausforderungen meistert. Zu den vorgestellten Themen gehörten Fortschritte in der Echtzeit-Objekterkennung und der Tierüberwachung, die zeigen, wie KI die Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Einer der Höhepunkte der Veranstaltung war ein Vortrag von Jim Griffin, dem Gründer der AI Master Group, in dem er demonstrierte, wie Vision AI Strände sicherer macht, indem sie Haie aufspürt, bevor sie zu nahe ans Ufer kommen. Er erklärte, wie sie Ultralytics YOLOv8ein hochmodernes Computer-Vision-Modell, eingesetzt wird, um Haie in Echtzeit zu identifizieren, selbst unter schwierigen Bedingungen wie kabbeligen Wellen, Blendung und Unterwasserhindernissen.

In diesem Artikel werden wir uns das SharkEye-Projekt genauer ansehen und interessante Einblicke aus Jims Vortrag teilen.

SharkEye kennenlernen: Eine Computer-Vision-Anwendung

Zu Beginn seines Vortrags stellte Jim den Padaro Beach vor, ein bekanntes Surfrevier in Kalifornien, in dem sich Surfer und Haie oft die gleichen Gewässer teilen. Er wies auf die eigentliche Herausforderung bei der Erkennung von Haien hin: "Natürlich ist es einfach, einen Hai detect , wenn er dich beißt, also wollten wir die Haie vorher identifizieren.

‍

SharkEye wurde mit Unterstützung der University of California, Santa Barbara, entwickelt, um dieses Problem anzugehen. Jim beschrieb, wie Drohnen mit hochauflösenden KI-Kameras eingesetzt wurden, um etwa 200 Fuß über dem Wasser zu fliegen und den Ozean in Echtzeit zu scannen.

Wenn ein Hai entdeckt wird, erhalten etwa 80 Personen eine SMS-Benachrichtigung, darunter Rettungsschwimmer, Surfshop-Besitzer und alle, die sich für Updates angemeldet haben. Jim wies darauf hin, wie diese sofortigen Benachrichtigungen schnelle Reaktionen ermöglichen und die Badegäste sicherer machen, wenn sich ein Hai in Küstennähe befindet.

Jim erwähnte auch, dass SharkEye ein Live-Dashboard bietet, auf dem Benutzer Statistiken zur Erkennung von Haien einsehen können. So identifizierte das System beispielsweise über einen Zeitraum von 12 Wochen zwei große und 15 kleinere Haie, was einem Durchschnitt von etwas mehr als einem Hai pro Woche entspricht.

Anschließend stellte er Neil Nathan vor, den Wissenschaftler, der die Bemühungen hinter SharkEye leitete. Obwohl Nathan eher einen Hintergrund in Umweltstudien als in Informatik hatte, leitete er das Projekt erfolgreich. Jim betonte, wie moderne KI-Tools, wie sie in SharkEye verwendet werden, so konzipiert sind, dass sie zugänglich sind und es Einzelpersonen mit nicht-technischem Hintergrund ermöglichen, wirkungsvolle Lösungen zu entwickeln.

Einsatz von Ultralytics YOLOv8 zum detect Haien

Jim ging weiter ins Detail und erläuterte, was sich unter der Haube von SharkEye verbirgt und dass es bei der Hai-Erkennungslösung nicht nur um eine einfache Objekterkennungsaufgabe ging. Sie musste mit dynamischen, unvorhersehbaren Bedingungen wie schwimmendem Seetang fertig werden, der leicht mit einem Hai verwechselt werden konnte. Im Gegensatz zur Erkennung eines stationären Objekts erfordert die Identifizierung eines Hais Präzision und Anpassungsfähigkeit, was YOLOv8 zu einer idealen Wahl macht.

Ein weiterer Vorteil von YOLOv8 war, dass es auf einer Drohne eingesetzt werden konnte, ohne auf Cloud-Server angewiesen zu sein. Jim erläuterte, wie dieser Ansatz es SharkEye ermöglichte, sofortige Warnungen zu senden - ein wesentlicher Bestandteil der Gewährleistung rechtzeitiger Reaktionen unter unvorhersehbaren Meeresbedingungen.

Objekterkennung mit nur sechs Zeilen Code

Nachdem Jim hervorgehoben hatte, wie SharkEye funktioniert und welche gemeinschaftliche Anstrengung dahinter steckt, präsentierte er eine Live-Demo.

Jim Griffin begann seine Live-Demo, indem er das Publikum durch ein vertrautes Beispiel führte - ein "Hallo Welt"-Codefragment für Ultralytics YOLO . Mit nur sechs Zeilen Python zeigte er, wie ein vortrainiertes Ultralytics YOLOv8 mühelos einen Bus in einem Bild detect kann. 

‍

In seiner Demo kam das Modell YOLOv8 Nano zum Einsatz, eine leichte Version für Geräte mit geringem Stromverbrauch wie Drohnen. Das gleiche Modell wurde in SharkEye für die Echtzeit-Erkennung von Haien verwendet. 

Um den Kontext zu verdeutlichen, erwähnte Jim, dass das Modell in der Demo auf COCO128 trainiert wurde, einer kleineren Teilmenge des weit verbreiteten COCO . Der COCO enthält über 20.000 Bilder aus 80 verschiedenen Objektkategorien. Während COCO128 gut für schnelle Demonstrationen geeignet ist, wies er darauf hin, dass SharkEye etwas Robusteres benötigt - einen anwendungsspezifischen Hai-Erkennungsdatensatz, der die Komplexität von realen Szenarien bewältigen kann.

Kundenspezifisches Training YOLOv8 für SharkEye 

Laut Jim war der schwierigste Teil des SharkEye-Projekts nicht das Training des KI-Modells, sondern das Sammeln der richtigen Daten. Er kommentierte: "Die Hauptarbeit dieses Projekts war nicht KI. Die Hauptarbeit dieses Projekts bestand darin, diese Drohnen fünf Jahre lang darüber fliegen zu lassen, die Bilder aus diesen Videos herauszusuchen und sie entsprechend zu taggen."

Er beschrieb, wie das Team 15.000 Bilder am Padaro Beach sammelte. Jedes Bild musste manuell beschriftet werden, um zwischen Haien, Seetang und anderen Objekten im Wasser zu unterscheiden. Obwohl der Prozess langsam und anstrengend war, legte er den Grundstein für alles, was folgte.

‍

Sobald der Datensatz fertig war, wurde Ultralytics YOLOV8 auf ihm trainiert. Jim sagte: "Das eigentliche Training war nicht der schwierige Teil - es dauerte nur 20 Stunden auf T4-GPUs [Graphics Processing Units]." Er fügte hinzu, dass die Zeit mit leistungsfähigerer Hardware, z. B. A100-Grafikprozessoren, auf bis zu fünf Stunden hätte verkürzt werden können.

Bewertung von SharkEye: Präzision vor Trefferquote

Dann erörterte Jim, wie die Leistung von SharkEye bewertet wurde. Er veranschaulichte, dass die Schlüsselmetrik die Präzision war – wie genau das System tatsächliche Haie identifizierte. Da SharkEye eine beeindruckende Präzision von 92 % erreichte, erwies sich das Modell als äußerst effektiv bei der genauen Identifizierung von Haien in der komplexen Meeresumwelt.

Jim ging näher auf die Bedeutung der Präzision ein und erläuterte, warum die Präzision in diesem Fall wichtiger war als die Trefferquote (Recall). “Meistens sind die Leute an der Trefferquote (Recall) interessiert, besonders in Bereichen wie dem Gesundheitswesen, wo das Übersehen eines positiven Falls kritisch sein kann. Aber in diesem Fall wussten wir nicht, wie viele Haie da draußen waren, also war uns die Präzision wichtig”, erklärte er. SharkEye stellte sicher, dass Fehlalarme minimiert wurden, indem es sich auf die Präzision konzentrierte, was es Rettungsschwimmern und anderen Einsatzkräften erleichterte, schnell zu handeln.

‍

Er beendete seinen Vortrag mit einem Vergleich der KI mit der menschlichen Leistung und stellte fest, dass die 92-prozentige Präzision von SharkEye die 60-prozentige Genauigkeit menschlicher Experten bei weitem übertraf. Er betonte diese Lücke mit den Worten: „Das liegt daran, dass wir Menschen sind. Egal wie kompetent Sie oder ich auch sein mögen, wenn wir den ganzen Tag vor einem Bildschirm sitzen und nach Haien suchen müssen, werden unsere Gedanken irgendwann abschweifen.“ Im Gegensatz zu Menschen werden KI-Modelle nicht müde oder lassen sich ablenken, was sie zu einer zuverlässigen Lösung für Aufgaben macht, die eine kontinuierliche Überwachung erfordern.

Ultralytics YOLO11: Das neueste YOLO

Ein faszinierendes Zitat aus dem Vortrag von Jim Griffin, "Sechs Zeilen Code könnten eines Tages Ihr Leben retten", fasst perfekt zusammen, wie fortschrittlich und doch zugänglich KI geworden ist. DieYOLO Ultralytics wurden in diesem Sinne entwickelt und machen modernste Computer-Vision-Technologie für Entwickler und Unternehmen jeder Größe zugänglich. Ultralytics YOLO11 baut mit schnelleren Schlussfolgerungen und höherer Genauigkeit darauf auf. 

Hier ein kurzer Blick auf das, was YOLO11 auszeichnet:

• Neu gestaltete Architektur: Seine verbesserte Backbone- und Neck-Architektur ermöglichen eine bessere Merkmalsextraktion und verbesserte Präzision.
  ‍
• Einfacher Gebrauch: Der Zugriff erfolgt über Python oder codierungsfreie Tools wie Ultralytics HUB.
  ‍
• Flexibilität bei verschiedenen Aufgaben: YOLO11 unterstützt Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Tracking, Pose Estimation und Oriented Bounding Boxes (OBB).
  ‍
• Verbesserte Genauigkeit: YOLO11 erreicht im Vergleich zu YOLOv8m auf dem COCO eine um 22 % höhere durchschnittliche GenauigkeitmAP) und liefert damit präzisere Erkennungen.

Dank dieser Funktionen eignet sich YOLO11 hervorragend für die Verfolgung von Tierverhalten in dynamischen Umgebungen, sei es auf einem Bauernhof oder in freier Wildbahn.

Wesentliche Erkenntnisse

Die Fortschritte im Bereich der künstlichen Intelligenz erleichtern die Bewältigung realer Herausforderungen, indem sie praktische Werkzeuge für verschiedene Bereiche bereitstellen. So können beispielsweise Computer-Vision-Modelle wie YOLO11 für die Echtzeitüberwachung und -verfolgung von Tieren eingesetzt werden, selbst unter schwierigen Bedingungen. 

Jim Griffins Keynote bei YV24 veranschaulichte, wie YOLOv8 genutzt werden kann, um komplexe Probleme mit minimalem Programmieraufwand zu lösen. Das Projekt SharkEye, das Drohnen mit KI zur Hai-Erkennung in Echtzeit kombiniert, zeigte, wie Technologie die Sicherheit am Strand verbessern kann. 

Es war eine faszinierende Fallstudie darüber, wie zugängliche KI Menschen mit unterschiedlichem Hintergrund in die Lage versetzt, effektive Lösungen zu entwickeln. Da sich KI ständig weiterentwickelt, verändert sie Branchen und ermöglicht es Einzelpersonen, ihr Potenzial zu nutzen, um die Welt sicherer, intelligenter und effizienter zu machen.

Werden Sie Teil unserer Community und erkunden Sie unser GitHub-Repository, um tiefer in die KI einzutauchen. Von Computer Vision in der Landwirtschaft bis hin zu KI in selbstfahrenden Autos - sehen Sie, wie diese Technologien Innovationen vorantreiben. Sehen Sie sich unsere Lizenzoptionen an, um noch heute mit Ihren KI-Projekten zu beginnen!