SharkEye nutzt Ultralytics YOLOv8 zur Objekterkennung

Tiere in ihrem natürlichen Lebensraum zu beobachten – ob Rinder auf einer Farm grasen oder Haie in Küstennähe schwimmen – war schon immer wichtig für ihre Sicherheit und ihr Wohlergehen. Die Tiere manuell zu beobachten, ist jedoch nicht einfach. Oft sind stundenlange Geduld und Konzentration erforderlich, da Beobachtende aufmerksam auf Veränderungen im Verhalten oder in der Bewegung achten müssen. Trotzdem können wichtige, aber schwer erkennbare Anzeichen leicht übersehen werden.

Dank künstlicher Intelligenz (AI) wird dieser Prozess schneller, intelligenter und deutlich effizienter. Das entlastet menschliche Beobachtende und verbessert zugleich die Genauigkeit. Insbesondere kann Computer Vision 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 und eröffnen neue Möglichkeiten, das Verhalten von Tieren zu verstehen.

Bei YOLO Vision 2024 (YV24), einer jährlichen hybriden Veranstaltung von Ultralytics, kamen Fachleute und Innovatoren zusammen, um zu erkunden, wie KI alltägliche Herausforderungen bewältigt. Zu den vorgestellten Themen gehörten Fortschritte bei der Objekterkennung in Echtzeit und der Tierbeobachtung. Sie zeigten, wie KI die Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Zu den Höhepunkten der Veranstaltung gehörte ein Vortrag von Jim Griffin, Gründer der AI Master Group. Er zeigte, wie Vision AI Strände sicherer macht, indem sie Haie erkennt, bevor sie dem Ufer zu nahe kommen. Er erläuterte, wie sie Ultralytics YOLOv8, ein Computer-Vision-Modell, verwendeten, um Haie selbst unter schwierigen Bedingungen wie bewegter See, Blendung 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 Surfspot in Kalifornien, an dem Surfer und Haie oft dieselben Gewässer nutzen. Er machte auf die eigentliche Herausforderung der Haierkennung aufmerksam und sagte: „Natürlich ist es einfach, einen Hai zu erkennen, wenn er einen beißt. Wir wollten die Haie deshalb vorher identifizieren.“

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

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

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

Jim erwähnte auch, dass SharkEye ein Live-Dashboard bietet, auf dem Nutzende Statistiken zur Haierkennung einsehen können. In einem Zeitraum von zwölf Wochen erkannte das System beispielsweise zwei große und 15 kleinere Haie – im Durchschnitt etwas mehr als einen Hai pro Woche.

Anschließend stellte er Neil Nathan vor, den Wissenschaftler, der die Arbeit an SharkEye leitete. Obwohl Nathan einen Hintergrund in Umweltwissenschaften und nicht in Informatik hatte, führte er das Projekt erfolgreich an. Jim betonte, dass moderne KI-Werkzeuge wie die in SharkEye verwendeten leicht zugänglich gestaltet sind und es so auch Menschen ohne technischen Hintergrund ermöglichen, wirkungsvolle Lösungen zu entwickeln.

Mit Ultralytics YOLOv8 Haie erkennen#

Jim ging näher auf die Funktionsweise von SharkEye ein und erklärte, dass die Lösung zur Haierkennung nicht nur eine einfache Aufgabe der Objekterkennung umfasste. Sie musste mit dynamischen, unvorhersehbaren Bedingungen umgehen, etwa mit treibendem Seetang, der leicht mit Haien verwechselt werden konnte. Anders als bei der Erkennung eines unbeweglichen Objekts erfordert die Identifizierung eines Hais Präzision und Anpassungsfähigkeit, weshalb Ultralytics YOLOv8 eine gute Wahl ist.

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 SharkEye dank dieses Ansatzes sofortige Benachrichtigungen senden konnte – ein wichtiger Faktor, um in den unvorhersehbaren Bedingungen auf dem Meer rechtzeitig zu reagieren.

Objekterkennung mit nur sechs Codezeilen#

Nachdem Jim erklärt hatte, wie SharkEye funktioniert und welche gemeinsame Arbeit dahintersteckt, zeigte er eine Live-Demo.

Jim Griffin begann seine Live-Demo, indem er dem Publikum ein vertrautes Beispiel zeigte – ein „Hello-World“-Codebeispiel für Ultralytics-YOLO-Modelle. Anhand von nur sechs Zeilen Python-Code zeigte er, wie ein vortrainiertes Ultralytics-YOLOv8-Modell einen Bus in einem Bild erkennen kann.

Abb. 2. Eine Demo von Jim bei YOLO Vision 2024.

Für seine Demo verwendete er das Ultralytics YOLOv8 Nano-Modell, eine leichtgewichtige Variante für Geräte mit geringem Stromverbrauch wie Drohnen. Dasselbe Modell kam bei SharkEye zur Haierkennung in Echtzeit zum Einsatz.

Zur Einordnung erwähnte Jim, dass das Modell in der Demo mit COCO128 trainiert wurde, einer kleineren Teilmenge des weit verbreiteten COCO-Datensatzes. Der COCO-Datensatz umfasst etwa 330.000 Bilder, von denen mehr als 200.000 mit Labels versehen sind, und deckt 80 Objektkategorien ab. COCO128 eignet sich gut für schnelle Vorführungen, aber Jim wies darauf hin, dass SharkEye etwas Robusteres benötigte: einen anwendungsspezifischen Datensatz zur Haierkennung, der mit den komplexen Bedingungen der realen Welt zurechtkommt.

Ultralytics YOLOv8 speziell für SharkEye trainieren#

Laut Jim bestand die größte Herausforderung des SharkEye-Projekts nicht darin, das KI-Modell zu trainieren, sondern die richtigen Daten zu sammeln. Er sagte: „Die Hauptarbeit in diesem Projekt war keine KI. Die Hauptarbeit bestand darin, fünf Jahre lang mit den Drohnen über das Gebiet zu fliegen, 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 gekennzeichnet werden, um Haie, Seetang und andere Objekte im Wasser voneinander zu unterscheiden. Der Prozess war zwar langsam und anspruchsvoll, legte aber den Grundstein für alles Weitere.

Abb. 3. Mit Drohnen Bilder von Haien für die Objekterkennung in Echtzeit aufnehmen.

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

SharkEye bewerten: Präzision vor Recall#

Anschließend sprach Jim darüber, wie die Leistung von SharkEye bewertet wurde. Er erklärte, dass die wichtigste Kennzahl die Präzision war – also wie genau das System tatsächlich vorhandene Haie erkannte. Mit einer Präzision von 92 % erwies sich das Modell als äußerst effektiv bei der präzisen Erkennung von Haien in der komplexen Meeresumgebung.

Jim ging näher auf die Bedeutung der Präzision ein und erklärte, warum sie in diesem Fall wichtiger war als der Recall. „Meistens interessiert sich die Öffentlichkeit für den Recall, besonders in Bereichen wie dem Gesundheitswesen, wo es entscheidend sein kann, einen positiven Fall zu übersehen. In diesem Fall wussten wir aber nicht, wie viele Haie es gab. Deshalb war für uns die Präzision entscheidend“, erklärte er. Durch den Fokus auf Präzision minimierte SharkEye Fehlalarme und erleichterte es Rettungsschwimmern und anderen Einsatzkräften, schnell zu handeln.

Abb. 4. Jim stellt SharkEye bei YOLO Vision 2024 vor.

Er schloss seinen Vortrag mit einem Vergleich zwischen KI und menschlicher Leistung ab und merkte an, dass die Präzision von 92 % bei SharkEye die Genauigkeit menschlicher Experten von 60 % deutlich 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 und nach Haien suchen müssen, schweifen unsere Gedanken irgendwann ab.“ Anders als Menschen werden KI-Modelle nicht müde und lassen sich nicht ablenken. Dadurch sind sie eine zuverlässige Lösung für Aufgaben, die eine kontinuierliche Überwachung erfordern.

Ultralytics YOLO11#

Ein bemerkenswertes Zitat aus Jim Griffins Vortrag – „Sechs Codezeilen könnten eines Tages dein Leben retten“ – zeigt, wie leistungsfähig und zugleich zugänglich KI geworden ist. Die Ultralytics-YOLO-Modelle wurden mit diesem Gedanken entwickelt und machen fortschrittliche Computer-Vision-Technologie für Entwickler und Unternehmen jeder Größe zugänglich. Ultralytics YOLO11 baut darauf mit schnelleren Inferenzläufen und höherer Genauigkeit auf und wurde inzwischen von Ultralytics YOLO26 abgelöst.

Hier ein kurzer Überblick darüber, was Ultralytics YOLO11 auszeichnet:

• Überarbeitete Architektur: Die verbesserte Backbone- und Neck-Architektur ermöglicht eine bessere Merkmalsextraktion und höhere Präzision.
• Benutzerfreundlichkeit: Du kannst es mit Python programmieren oder mit No-Code-Tools wie der Ultralytics Platform nutzen.
• Flexibilität bei verschiedenen Aufgaben: Ultralytics YOLO11 unterstützt Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Posenschätzung, orientierte Begrenzungsrahmen (OBB) und Tracking.
• Verbesserte Genauigkeit: Ultralytics YOLO11m erzielt auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) als YOLOv8m und benötigt dabei 22 % weniger Parameter.

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

Die wichtigsten Erkenntnisse#

Fortschritte im Bereich der visuellen KI erleichtern die Bewältigung realer Herausforderungen, indem sie praktische Werkzeuge für verschiedene Bereiche bereitstellen. So lassen sich Computer-Vision-Modelle wie Ultralytics YOLO11 zur Echtzeitüberwachung und -verfolgung von Tieren einsetzen, selbst unter schwierigen Bedingungen.

Jim Griffin veranschaulichte in seiner Keynote auf der YV24, wie sich mit Ultralytics YOLOv8 komplexe Probleme mit minimalem Programmieraufwand lösen lassen. Das Projekt SharkEye, das Drohnen mit KI zur Echtzeiterkennung von Haien kombiniert, zeigte, wie Technologie die Sicherheit an Stränden verbessern kann.

Das war eine überzeugende Fallstudie dazu, wie zugängliche KI Menschen mit unterschiedlichen Hintergründen dabei hilft, wirksame Lösungen zu entwickeln.

Werde Teil unserer Community und sieh dir unser GitHub-Repository an, um tiefer in die KI einzutauchen. Entdecke, wie diese Technologien Innovationen vorantreiben – von Computer Vision in der Landwirtschaft bis hin zu KI in selbstfahrenden Autos. Informiere dich über unsere Lizenzoptionen und starte noch heute deine KI-Projekte!