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 der Unterstützung durch künstliche Intelligenz (KI) wird dieser Prozess schneller, intelligenter und deutlich effizienter. Dies entlastet menschliche Beobachter und verbessert gleichzeitig die Genauigkeit. Insbesondere Computer Vision kann 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 Hybrid-Veranstaltung von Ultralytics, trafen sich Experten und Innovatoren, um zu erforschen, wie KI alltägliche Herausforderungen bewältigt. Einige der präsentierten Themen umfassten Fortschritte bei der Objekterkennung in Echtzeit sowie Tierüberwachung und zeigten, wie KI Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Ein Highlight der Veranstaltung war der Vortrag von Jim Griffin, Gründer der AI Master Group, in dem er demonstrierte, wie Vision AI Strände sicherer macht, indem Haie erkannt werden, bevor sie der Küste zu nahe kommen. Er erklärte, wie sie Ultralytics YOLOv8, ein hochmodernes Computer-Vision-Modell, nutzten, um Haie in Echtzeit präzise zu identifizieren, selbst unter schwierigen Bedingungen wie unruhigem Wasser, Blendung und Unterwasserhindernissen.

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

Link to this sectionSharkEye 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 entwickelt, um dieses Problem mit Unterstützung der University of California, Santa Barbara, anzugehen. Jim beschrieb, wie Drohnen mit hochauflösenden KI-Kameras in etwa 60 Metern Höhe über dem Wasser flogen und den Ozean in Echtzeit scannten.

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.

Link to this sectionUltralytics YOLOv8 zur Haierkennung nutzen#

Jim ging weiter ins Detail, was unter der Haube von SharkEye steckt und wie die Haierkennungs-Lösung nicht nur eine einfache Objekterkennungsaufgabe war. Sie musste mit dynamischen, unvorhersehbaren Bedingungen wie treibendem Seetang umgehen, der leicht mit Haien verwechselt werden konnte. Im Gegensatz zur Erkennung eines stationären Objekts erfordert die Identifizierung eines Haies Präzision und Anpassungsfähigkeit, was YOLOv8 zur idealen Wahl machte.

Ein weiterer Vorteil von YOLOv8 war, dass es auf einer Drohne eingesetzt werden konnte, ohne auf Cloud-Server angewiesen zu sein. Jim erklärte, wie dieser Ansatz es SharkEye ermöglichte, sofortige Warnungen zu senden – ein wesentlicher Bestandteil, um zeitnahe Reaktionen bei unvorhersehbaren Ozeanbedingungen sicherzustellen.

Link to this sectionObjekterkennung 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 bekanntes Beispiel führte – einen „Hello World“-Code-Schnipsel für Ultralytics YOLO-Modelle. Mit nur sechs Zeilen Python-Code demonstrierte er, wie ein vortrainiertes Ultralytics YOLOv8-Modell mühelos einen Bus in einem Bild erkennen konnte.

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

Seine Demo verwendete das YOLOv8 Nano-Modell, eine leichtgewichtige Version für Geräte mit geringer Leistung wie Drohnen. Dasselbe Modell wurde in SharkEye zur Echtzeit-Haierkennung eingesetzt.

Um mehr Kontext zu geben, erwähnte Jim, dass das Modell in der Demo auf COCO128 trainiert wurde, einer kleineren Teilmenge des weit verbreiteten COCO-Datensatzes. Der COCO-Datensatz enthält über 20.000 Bilder in 80 verschiedenen Objektkategorien. Während COCO128 gut für kurze Demonstrationen funktioniert, wies er darauf hin, dass SharkEye etwas Robusteres benötigte – einen anwendungsspezifischen Haierkennungs-Datensatz, der die Komplexität realer Szenarien bewältigen konnte.

Link to this sectionYOLOv8 für SharkEye individuell trainieren#

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 individuell trainiert. Jim sagte: „Das eigentliche Training war nicht der schwierige Teil – es dauerte nur 20 Stunden auf T4 GPUs [Grafikprozessoren].“ Er fügte hinzu, dass die Zeit mit leistungsstärkerer Hardware, wie A100 GPUs, auf nur fünf Stunden hätte reduziert werden können.

Link to this sectionSharkEye 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 tiefer in die Bedeutung der Präzision einzutauchen, erklärte Jim, warum Präzision in diesem Fall wichtiger war als Recall. „Meistens interessieren sich die Leute für Recall, 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 der Fokus auf Präzision lag, was es Rettungsschwimmern und anderen Einsatzkräften erleichterte, 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.

Link to this sectionUltralytics 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 fortschrittlich und doch 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 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 Aufgaben: YOLO11 unterstützt Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Tracking, Pose Estimation und orientierte Bounding Boxes (OBB).
• Verbesserte Genauigkeit: YOLO11 erreicht eine um 22 % höhere mittlere durchschnittliche Präzision (mAP) im Vergleich zu YOLOv8m auf dem COCO-Datensatz und liefert präzisere Erkennungen.

Diese Funktionen machen YOLO11 zu einer großartigen Lösung für die Verfolgung des Tierverhaltens in dynamischen Umgebungen, egal ob auf einem Bauernhof oder in freier Wildbahn.

Link to this sectionWichtige Erkenntnisse#

Fortschritte bei der Vision AI erleichtern die Bewältigung realer Herausforderungen durch praktische Werkzeuge für verschiedene Bereiche. Zum Beispiel können Computer-Vision-Modelle wie YOLO11 zur Echtzeitüberwachung und Verfolgung von Tieren eingesetzt werden, selbst unter schwierigen Bedingungen.

Jim Griffins Keynote auf der YV24 illustrierte, wie YOLOv8 eingesetzt werden kann, um komplexe Probleme mit minimalem Programmieraufwand zu lösen. Das SharkEye-Projekt, das Drohnen mit KI zur Echtzeit-Haierkennung kombiniert, zeigte, wie Technologie die Strandsicherheit 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 unserer Community und erkunde unser GitHub-Repository, um tiefer in die KI einzutauchen. Von Computer Vision in der Landwirtschaft bis zu KI in selbstfahrenden Autos, sieh dir an, wie diese Technologien Innovationen vorantreiben. Überprüfe unsere Lizenzoptionen, um noch heute mit deinen KI-Projekten zu beginnen!