SharkEye nutzt Ultralytics YOLOv8 für die Objekterkennung

Die Überwachung von Tieren in ihrem natürlichen Lebensraum, egal ob weidendes Vieh auf einer Farm oder Haie in Küstennähe, war schon immer wichtig für ihre Sicherheit und ihr Wohlbefinden. Die manuelle Beobachtung ist jedoch nicht einfach. Sie erfordert oft stundenlange Geduld und hohe Konzentration, da Beobachter ständig auf Verhaltens- oder Bewegungsänderungen achten müssen. Selbst dann übersieht man leicht subtile, aber wichtige Anzeichen.

Dank dem Einsatz von künstlicher Intelligenz (KI) wird dieser Prozess schneller, intelligenter und weitaus effizienter, wodurch menschliche Beobachter entlastet und gleichzeitig die Genauigkeit verbessert wird. Insbesondere kann computer vision eingesetzt werden, um Tiere zu verfolgen, Gefahren zu erkennen und Entscheidungen in Echtzeit zu treffen. Aufgaben, die früher Stunden dauerten, können jetzt in Minuten erledigt werden, was neue Wege zum Verständnis des Tierverhaltens eröffnet.

Auf der YOLO Vision 2024 (YV24), einer jährlichen Hybridveranstaltung von Ultralytics, versammelten sich Experten und Innovatoren, um zu untersuchen, wie KI alltägliche Herausforderungen bewältigt. Zu den präsentierten Themen gehörten Fortschritte bei der Echtzeit-Objekterkennung und der animal monitoring, die zeigen, wie KI die Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Einer der Höhepunkte der Veranstaltung war ein Vortrag von Jim Griffin, Gründer der AI Master Group, in dem er zeigte, wie vision AI Strände sicherer macht, indem Haie erkannt werden, bevor sie dem Ufer zu nahe kommen. Er erklärte, wie sie Ultralytics YOLOv8, ein hochmodernes Computer-Vision-Modell, verwendeten, um Haie in Echtzeit präzise zu identifizieren – selbst unter schwierigen Bedingungen wie kabbeliger See, grellem Licht und Unterwasserhindernissen.

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

SharkEye kennenlernen: Eine Computer-Vision-Anwendung#

Jim begann seinen Vortrag mit einer Einführung zu Padaro Beach, einem bekannten Surf-Spot in Kalifornien, an dem Surfer und Haie oft dieselben Gewässer teilen. Er verdeutlichte die eigentliche Herausforderung der Haierkennung: „Natürlich ist es einfach, einen Hai zu erkennen, wenn er dich beißt, also wollten wir die Haie im Voraus identifizieren.“

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

SharkEye wurde ins Leben gerufen, um dieses Problem mit Unterstützung der University of California, Santa Barbara, anzugehen. Jim beschrieb, wie Drohnen mit hochauflösenden AI cameras eingesetzt wurden, um etwa 200 Fuß über dem Wasser zu fliegen und den Ozean in Echtzeit abzusuchen.

Wenn ein Hai erkannt wird, erhalten etwa 80 Personen, darunter Rettungsschwimmer, Surfshop-Betreiber und alle, die sich für Updates angemeldet haben, eine SMS-Warnung. Jim betonte, dass diese sofortigen Benachrichtigungen schnelle Reaktionen ermöglichen und Strandbesucher schützen, wenn sich ein Hai in Küstennähe befindet.

Jim erwähnte auch, dass SharkEye über ein Live-Dashboard verfügt, auf dem Benutzer Statistiken zur Haierkennung einsehen können. Beispielsweise identifizierte das System innerhalb von 12 Wochen zwei große und 15 kleinere Haie, was einem Durchschnitt von etwas mehr als einem Hai pro Woche entspricht.

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

Ultralytics YOLOv8 zur Haierkennung nutzen#

Um genauer ins Detail zu gehen, erläuterte Jim, was unter der Haube von SharkEye steckt und dass die Haifisch-Erkennungslösung nicht nur eine einfache object detection-Aufgabe war. Sie musste mit dynamischen, unvorhersehbaren Bedingungen wie treibendem Seegras fertigwerden, das leicht mit Haien verwechselt werden könnte. Im Gegensatz zum Erkennen eines stationären Objekts erfordert die Identifizierung eines Hais Präzision und Anpassungsfähigkeit, was Ultralytics YOLOv8 zu einer idealen Wahl macht.

Ein weiterer Vorteil von Ultralytics YOLOv8 war, dass es deployed on a drone werden konnte, ohne auf Cloud-Server angewiesen zu sein. Jim erklärte, wie dieser Ansatz es SharkEye ermöglichte, sofortige Benachrichtigungen zu senden – ein wesentlicher Bestandteil, um rechtzeitige Reaktionen unter unvorhersehbaren Ozeanbedingungen zu gewährleisten.

Objekterkennung mit nur sechs Zeilen Code#

Nachdem er erläutert hatte, wie SharkEye funktioniert und welche gemeinschaftliche Anstrengung dahintersteckt, führte Jim eine Live-Demo vor.

Jim Griffin begann seine Live-Demo, indem er das Publikum durch ein vertrautes Beispiel führte – einen „Hello World“-Codeausschnitt für Ultralytics YOLO models. Mit nur sechs Zeilen Python-Code zeigte er, wie ein vortrainiertes Ultralytics YOLOv8-Modell mühelos einen Bus in einem Bild erkennen kann.

Abb. 2: Eine Demo von Jim auf der YOLO Vision 2024.

Seine Demo nutzte das Ultralytics YOLOv8 Nano-Modell, eine leichte Version für stromsparende Geräte wie Drohnen. Dasselbe Modell wurde in SharkEye für die Haifisch-Erkennung in Echtzeit verwendet.

Um mehr Kontext zu bieten, erwähnte Jim, dass das Modell in der Demo anhand von COCO128 trainiert wurde, einer kleineren Untermenge des weit verbreiteten COCO dataset. Der COCO-Datensatz enthält über 20.000 Bilder aus 80 verschiedenen Objektkategorien. Während COCO128 gut für schnelle Demonstrationen funktioniert, wies er darauf hin, dass SharkEye etwas Robusteres benötigte – einen anwendungsspezifischen Hai-Erkennungsdatensatz, der mit der Komplexität realer Szenarien umgehen kann.

Benutzerdefiniertes Training von Ultralytics 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 keine KI. Die Hauptarbeit dieses Projekts bestand darin, fünf Jahre lang diese Drohnen fliegen zu lassen, die Bilder aus den Videos zu selektieren 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. Während der Prozess langsam und anspruchsvoll war, legte er den Grundstein für alles, was folgte.

Abb. 3: Drohnen zur Erfassung von Bildern von Haien für die Objekterkennung in Echtzeit verwenden.

Sobald der Datensatz fertig war, wurde Ultralytics YOLOv8 darauf custom-trained. 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 leistungsstärkerer Hardware wie A100 GPUs auf bis zu fünf Stunden hätte verkürzt werden können.

SharkEye bewerten: Präzision vor Recall#

Anschließend erörterte Jim, wie die Leistung von SharkEye bewertet wurde. Er verdeutlichte, dass die wichtigste Kennzahl die Präzision war – wie genau das System tatsächliche Haie identifizierte. Mit einer beeindruckenden Präzision von 92 % erwies sich das Modell als äußerst effektiv bei der genauen Identifizierung von Haien in der komplexen Meeresumgebung.

Um noch tiefer in die Bedeutung der Präzision einzutauchen, klärte Jim auf, warum Präzision in diesem Fall wichtiger war als Recall. „Meistens interessieren sich die Menschen für recall, insbesondere 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 durch die Konzentration auf Präzision sicher, dass Fehlalarme minimiert wurden, was es Rettungsschwimmern und anderen Einsatzkräften erleichtert, schnell zu handeln.

Abb. 4: Jim präsentiert SharkEye auf der YOLO Vision 2024.

Er schloss seinen Vortrag mit einem Vergleich zwischen KI- und menschlicher Leistung und stellte fest, dass die 92%ige Präzision von SharkEye die 60%ige Genauigkeit menschlicher Experten bei weitem übertraf. Er betonte diesen Unterschied mit den Worten: „Das liegt daran, dass wir Menschen sind. Egal wie erfahren du oder ich sein mögen, wenn wir den ganzen Tag vor einem Bildschirm sitzen müssen und nach Haien Ausschau halten, werden unsere Gedanken irgendwann abschweifen.“ Im Gegensatz zu Menschen ermüden oder lassen sich KI-Modelle nicht ablenken, was sie zu einer zuverlässigen Lösung für Aufgaben macht, die eine kontinuierliche Überwachung erfordern.

Ultralytics YOLO11: Das neueste YOLO#

Ein faszinierendes Zitat aus Jim Griffins Vortrag, „Sechs Zeilen Code könnten eines Tages dein Leben retten“, bringt perfekt auf den Punkt, wie fortgeschritten und gleichzeitig zugänglich KI geworden ist. Die Ultralytics YOLO-Modelle wurden mit diesem Gedanken entwickelt und machen modernste Computer-Vision-Technologie für Entwickler und Unternehmen jeder Größe zugänglich. Ultralytics YOLO11 baut darauf mit schnelleren Inferenzen und höherer Genauigkeit auf.

Hier ist ein kurzer Überblick darüber, was Ultralytics YOLO11 auszeichnet:

• Neugestaltete Architektur: Die verbesserte Backbone- und Neck-Architektur ermöglicht eine bessere Merkmalsextraktion und verbesserte Präzision.
• Benutzerfreundlichkeit: Der Zugriff ist über Python-Programmierung oder No-Code-Tools wie Ultralytics HUB möglich.
• Flexibilität bei verschiedenen Aufgaben: Ultralytics YOLO11 unterstützt computer vision tasks wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Tracking, Posenschätzung und orientierte Bounding Boxes (OBB).
• Verbesserte Genauigkeit: Ultralytics YOLO11 erzielt eine um 22 % höhere mittlere durchschnittliche Präzision (mAP) im Vergleich zu YOLOv8m auf dem COCO-Datensatz und liefert präzisere Erkennungen.

Diese Funktionen machen Ultralytics YOLO11 zu einer hervorragenden Wahl für die Verfolgung von Tierverhalten in dynamischen Umgebungen, egal ob auf dem Bauernhof oder in freier Wildbahn.

Wichtige Erkenntnisse#

Fortschritte in der Vision-KI machen es einfacher, reale Herausforderungen zu bewältigen, indem sie praktische Werkzeuge für verschiedene Bereiche bereitstellen. Beispielsweise können Computer-Vision-Modelle wie Ultralytics YOLO11 für die Echtzeitüberwachung und -verfolgung von Tieren eingesetzt werden, selbst unter schwierigen Bedingungen.

Jim Griffins Keynote auf der YV24 veranschaulichte, wie Ultralytics YOLOv8 eingesetzt werden kann, um komplexe Probleme mit minimalem Programmieraufwand zu lösen. Das Projekt SharkEye, das Drohnen mit KI zur Echtzeit-Haifischerkennung kombiniert, zeigte, wie Technologie die Sicherheit an Stränden verbessern kann.

Es war eine faszinierende Fallstudie darüber, wie zugängliche KI Menschen mit unterschiedlichem Hintergrund befähigt, effektive Lösungen zu schaffen. Während sich KI weiterentwickelt, transformiert sie Industrien und ermöglicht es Einzelpersonen, ihr Potenzial zu nutzen, um die Welt sicherer, intelligenter und effizienter zu machen.

Werde Teil von our community und erkunde unser GitHub repository, um tiefer in die KI einzutauchen. Von computer vision in agriculture bis hin zu AI in self-driving cars siehst du, wie diese Technologien Innovationen vorantreiben. Schau dir our licensing options an, um noch heute deine KI-Projekte zu starten!