SharkEye verwendet Ultralytics YOLOv8 zur Objekterkennung

Die Überwachung von Tieren in ihrem natürlichen Lebensraum – ob Rinder, die auf einem Bauernhof grasen, oder Haie, die sich in Ufernähe bewegen – war schon immer wichtig für ihre Sicherheit und ihr Wohlergehen. Die manuelle Beobachtung ist jedoch nicht einfach. Sie kann stundenlange Geduld und höchste Konzentration erfordern, da Beobachter aufmerksam auf jede Veränderung im Verhalten oder in der Bewegung achten müssen. Selbst dann können leicht subtile, aber wichtige Anzeichen übersehen werden.

Dank des Einsatzes künstlicher Intelligenz (AI) wird dieser Prozess schneller, intelligenter und deutlich effizienter. Das entlastet menschliche Beobachter und verbessert zugleich die Genauigkeit. Insbesondere Computer Vision kann eingesetzt werden, um Tiere zu verfolgen, Gefahren zu erkennen und in Echtzeit Entscheidungen zu treffen. Aufgaben, die früher Stunden dauerten, lassen sich nun in wenigen Minuten erledigen, wodurch neue Möglichkeiten entstehen, das Verhalten von Tieren zu verstehen.

Auf der YOLO Vision 2024 (YV24), einer jährlich von Ultralytics veranstalteten hybriden Veranstaltung, kamen Experten und Innovatoren zusammen, um zu untersuchen, wie AI alltägliche Herausforderungen bewältigt. Zu den vorgestellten Themen gehörten Fortschritte bei der Objekterkennung in Echtzeit und der Überwachung von Tieren, die zeigten, wie AI Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Zu den Höhepunkten der Veranstaltung gehörte ein Vortrag von Jim Griffin, dem Gründer der AI Master Group. Er zeigte, wie Vision AI Strände sicherer macht, indem Haie erkannt werden, bevor sie dem Ufer zu nahe kommen. Er erklärte, wie Ultralytics YOLOv8, ein hochmodernes Computer-Vision-Modell, eingesetzt wurde, um Haie selbst unter schwierigen Bedingungen wie unruhigen Wellen, Blendlicht und Hindernissen unter Wasser präzise in Echtzeit zu erkennen.

In diesem Artikel werfen wir einen genaueren Blick auf das SharkEye-Projekt und teilen interessante Einblicke aus Jims Vortrag.

SharkEye kennenlernen: Eine Computer-Vision-Anwendung#

Jim begann seinen Vortrag mit einer Vorstellung von Padaro Beach, einem bekannten Surfziel in Kalifornien, an dem Surfer und Haie häufig dieselben Gewässer nutzen. Um die tatsächliche Herausforderung bei der Hairekennung zu verdeutlichen, sagte er: „Natürlich ist es einfach, einen Hai zu erkennen, wenn er dich beißt. Wir wollten die Haie also vorher erkennen.“

Abb. 1: Jim auf der Bühne bei YOLO Vision 2024.

SharkEye wurde entwickelt, um dieses Problem mit Unterstützung der University of California, Santa Barbara zu lösen. Jim beschrieb, wie Drohnen mit hochauflösenden AI-Kameras etwa 60 Meter über dem Wasser flogen und den Ozean in Echtzeit scannten.

Wird ein Hai erkannt, erhalten etwa 80 Personen SMS-Warnungen, darunter Rettungsschwimmer, Besitzer von Surfgeschäften und alle, die sich für Benachrichtigungen angemeldet haben. Jim wies darauf hin, dass diese sofortigen Benachrichtigungen schnelle Reaktionen ermöglichen und Strandbesucher sicherer sind, wenn sich ein Hai in Ufernähe befindet.

Jim erwähnte außerdem, dass SharkEye ein Live-Dashboard bietet, in dem Nutzer Statistiken zur Hairekennung einsehen können. Über einen Zeitraum von 12 Wochen erkannte das System beispielsweise zwei große Haie und 15 kleinere, also durchschnittlich etwas mehr als einen Hai pro Woche.

Anschließend stellte er Neil Nathan vor, den Wissenschaftler, der die Arbeiten hinter SharkEye leitete. Obwohl Nathan nicht Informatik, sondern Umweltwissenschaften studiert hatte, trieb er das Projekt erfolgreich voran. Jim betonte, dass moderne AI-Werkzeuge wie die in SharkEye so entwickelt sind, dass sie leicht zugänglich sind und auch Personen ohne technischen Hintergrund die Entwicklung wirkungsvoller Lösungen ermöglichen.

Mit Ultralytics YOLOv8 Haie erkennen#

Jim ging anschließend näher auf die technischen Details von SharkEye ein und erläuterte, dass die Lösung zur Hairekennung nicht nur eine einfache Aufgabe der Objekterkennung umfasste. Sie musste mit dynamischen, unvorhersehbaren Bedingungen wie treibendem Seegras umgehen, das leicht mit Haien verwechselt werden konnte. Anders als bei der Erkennung eines unbeweglichen Objekts erfordert die Identifizierung eines Hais Präzision und Anpassungsfähigkeit, wodurch Ultralytics YOLOv8 die ideale Wahl war.

Ein weiterer Vorteil von Ultralytics YOLOv8 war, dass das Modell auf einer Drohne eingesetzt werden konnte, ohne auf Cloud-Server angewiesen zu sein. Jim erklärte, dass dieser Ansatz SharkEye das Senden sofortiger Warnungen ermöglichte – ein wesentlicher Bestandteil, um unter den unvorhersehbaren Bedingungen im Ozean rechtzeitig reagieren zu können.

Objekterkennung mit nur sechs Codezeilen#

Nachdem Jim die Funktionsweise von SharkEye und die gemeinsame Arbeit dahinter erläutert hatte, zeigte er eine Live-Demonstration.

Jim Griffin begann seine Live-Demonstration mit einem vertrauten Beispiel und führte das Publikum durch einen „Hello-World“-Codeausschnitt für Ultralytics YOLO-Modelle. Mit nur sechs Zeilen Python-Code zeigte er, wie ein vortrainiertes Ultralytics-YOLOv8-Modell mühelos einen Bus in einem Bild erkennen konnte.

Abb. 2: Eine Demonstration von Jim bei YOLO Vision 2024.

Für seine Demonstration verwendete er das Ultralytics-YOLOv8-Nano-Modell, eine leichtgewichtige Variante für Geräte mit geringem Stromverbrauch wie Drohnen. Dasselbe Modell wurde in SharkEye zur Hairekennung in Echtzeit eingesetzt.

Für zusätzlichen Kontext erwähnte Jim, dass das Modell in der Demonstration mit COCO128 trainiert wurde, einer kleineren Teilmenge des weit verbreiteten COCO-Datensatzes. Der COCO-Datensatz enthält mehr als 20.000 Bilder aus 80 verschiedenen Objektkategorien. COCO128 eignet sich zwar gut für schnelle Demonstrationen, doch Jim wies darauf hin, dass SharkEye etwas Robusteres benötigte: einen anwendungsspezifischen Datensatz zur Hairekennung, der mit den komplexen Bedingungen realer Szenarien umgehen konnte.

Ultralytics YOLOv8 für SharkEye benutzerdefiniert trainieren#

Laut Jim bestand der schwierigste Teil des SharkEye-Projekts nicht im Training des AI-Modells, sondern in der Erfassung der richtigen Daten. Er sagte: „Die Hauptarbeit dieses Projekts war nicht AI. Die Hauptarbeit bestand darin, diese Drohnen fünf Jahre lang fliegen zu lassen, die Bilder aus den Videos herauszufiltern und sie korrekt zu kennzeichnen.“

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

Abb. 3: Drohnen zur Aufnahme von Haibildern für die Objekterkennung in Echtzeit einsetzen.

Sobald der Datensatz fertig war, wurde Ultralytics YOLOv8 darauf benutzerdefiniert trainiert. Jim sagte: „Das eigentliche Training war nicht der schwierige Teil – es dauerte auf T4 GPUs nur 20 Stunden [Grafikprozessoren].“ Er fügte hinzu, dass sich die Zeit mit leistungsfähigerer Hardware wie A100 GPUs auf nur fünf Stunden hätte verkürzen lassen.

SharkEye bewerten: Präzision statt Trefferquote#

Anschließend erläuterte Jim, wie die Leistung von SharkEye bewertet wurde. Er erklärte, dass die entscheidende Metrik die Präzision war – also wie genau das System tatsächlich vorhandene Haie erkannte. Mit einer beeindruckenden Präzision von 92 % erwies sich das Modell als äußerst effektiv bei der genauen Erkennung von Haien in der komplexen Umgebung des Ozeans.

Jim ging näher auf die Bedeutung der Präzision ein und erklärte, warum sie in diesem Fall wichtiger war als die Trefferquote. „Die meiste Zeit interessieren sich die Menschen für die Trefferquote, insbesondere in Bereichen wie dem Gesundheitswesen, wo das Übersehen eines positiven Falls kritisch sein kann. In diesem Fall wussten wir jedoch nicht, wie viele Haie sich dort draußen befanden, daher war für uns die Präzision entscheidend“, erklärte er. Durch die Konzentration auf die Präzision minimierte SharkEye Fehlalarme und erleichterte es Rettungsschwimmern und anderen Einsatzkräften, schnell zu handeln.

Abb. 4: Jim präsentiert SharkEye bei YOLO Vision 2024.

Zum Abschluss seines Vortrags verglich er die Leistung von AI mit der des Menschen und stellte fest, dass SharkEyes Präzision von 92 % die Genauigkeit menschlicher Experten von 60 % deutlich übertraf. Er betonte diesen Unterschied mit den Worten: „Das liegt daran, dass wir Menschen sind. Ganz gleich, wie kompetent du oder ich sein mögen: Wenn wir den ganzen Tag vor einem Bildschirm sitzen und nach Haien suchen müssen, schweifen unsere Gedanken irgendwann ab.“ Im Gegensatz zu Menschen ermüden AI-Modelle nicht und lassen sich nicht ablenken, wodurch sie eine zuverlässige Lösung für Aufgaben sind, die eine kontinuierliche Überwachung erfordern.

Ultralytics YOLO11: Das neueste YOLO#

Ein bemerkenswertes Zitat aus Jim Griffins Vortrag – „Sechs Codezeilen könnten eines Tages dein Leben retten“ – bringt perfekt auf den Punkt, wie fortschrittlich und zugleich zugänglich AI geworden ist. Die Ultralytics-YOLO-Modelle wurden mit diesem Ziel entwickelt, um Entwicklern und Unternehmen jeder Größe moderne Computer-Vision-Technologie zugänglich zu machen. Ultralytics YOLO11 baut darauf mit schnelleren Inferenzzeiten und höherer Genauigkeit auf.

Hier ist ein kurzer Überblick über die Besonderheiten von Ultralytics YOLO11:

• Überarbeitete Architektur: Die verbesserte Architektur von Backbone und Neck ermöglicht eine bessere Merkmalsextraktion und höhere Präzision.
• Einfache Nutzung: Der Zugriff ist über Python-Code oder No-Code-Werkzeuge wie Ultralytics HUB möglich.
• Flexibilität bei verschiedenen Aufgaben: Ultralytics YOLO11 unterstützt Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Tracking, Posenschätzung und orientierte Begrenzungsrahmen (OBB).
• Verbesserte Genauigkeit: Ultralytics YOLO11 erzielt im COCO-Datensatz eine um 22 % höhere mittlere durchschnittliche Präzision (mAP) als YOLOv8m und liefert dadurch präzisere Erkennungen.

Diese Eigenschaften machen Ultralytics YOLO11 zu einer ausgezeichneten Lösung für die Verfolgung des Tierverhaltens in dynamischen Umgebungen – ob auf einem Bauernhof oder in freier Wildbahn.

Wichtige Erkenntnisse#

Fortschritte bei Vision AI erleichtern die Bewältigung realer Herausforderungen, indem sie praktische Werkzeuge für verschiedene Bereiche bereitstellen. So können Computer-Vision-Modelle wie Ultralytics YOLO11 zur Überwachung und Verfolgung von Tieren in Echtzeit eingesetzt werden, selbst unter schwierigen Bedingungen.

Jim Griffins Keynote bei YV24 zeigte, wie Ultralytics YOLOv8 komplexe Probleme mit minimalem Programmieraufwand lösen kann. Das SharkEye-Projekt, das Drohnen mit AI zur Hairekennung in Echtzeit kombiniert, demonstrierte, wie Technologie die Sicherheit an Stränden verbessern kann.

Es war eine faszinierende Fallstudie darüber, wie zugängliche AI Menschen mit unterschiedlichsten Hintergründen dazu befähigt, wirksame Lösungen zu entwickeln. Während sich AI weiterentwickelt, verändert sie Branchen und ermöglicht es Einzelpersonen, ihr Potenzial zu nutzen, um die Welt sicherer, intelligenter und effizienter zu machen.

Werde Teil unserer Community und erkunde unser GitHub-Repository, um tiefer in die Welt der AI einzutauchen. Von Computer Vision in der Landwirtschaft bis zu AI in selbstfahrenden Autos – erfahre, wie diese Technologien Innovationen vorantreiben. Sieh dir unsere Lizenzoptionen an und beginne noch heute mit deinen AI-Projekten!