SharkEye 使用 Ultralytics YOLOv8 进行目标检测

无论是在农场吃草的牛，还是在岸边游动的鲨鱼，监测自然栖息地中的动物一直对它们的安全和健康至关重要。但人工观察动物并不容易。这往往需要投入数小时，耐心而专注地观察动物行为或活动的任何变化。即便如此，细微却重要的迹象仍很容易被忽略。

随着人工智能（AI）的应用，这一过程变得更快速、更智能，也高效得多，减轻了人工观察者的负担，同时提高了准确性。特别是，计算机视觉可用于跟踪动物、发现危险并实时做出决策。过去需要数小时的任务现在几分钟就能完成，也为了解动物行为开辟了新途径。

在 Ultralytics 每年举办的线上线下混合活动 YOLO Vision 2024（YV24）上，专家和创新者齐聚一堂，探讨 AI 如何应对日常挑战。展示的主题包括实时目标检测和动物监测方面的进展，展现了 AI 如何提升各领域的安全性和效率。

活动的一大亮点是 AI Master Group 创始人 Jim Griffin 的演讲。他展示了视觉 AI 如何通过在鲨鱼靠近海岸之前检测到它们，让海滩更加安全。他介绍了团队如何使用 Ultralytics YOLOv8这一计算机视觉模型，即使在波浪起伏、强光眩目和水下障碍物等复杂条件下，也能实时准确地识别鲨鱼。

本文将深入了解 SharkEye 项目，并分享 Jim 演讲中的精彩见解。

了解 SharkEye：计算机视觉应用#

Jim 在演讲一开始介绍了 Padaro Beach。这是加利福尼亚州著名的冲浪胜地，冲浪者和鲨鱼经常共享同一片海域。谈到鲨鱼检测面临的真正挑战时，他说：“当然，如果鲨鱼咬了你，检测到它就很容易。所以我们想做的是提前识别鲨鱼。”

图 1. Jim 在 YOLO Vision 2024 舞台上。

SharkEye 旨在解决这一问题，并获得了加州大学圣巴巴拉分校的支持。Jim 介绍了团队如何使用搭载高分辨率 AI 摄像头的无人机，在水面上方约 200 英尺处飞行，实时扫描海洋。

检测到鲨鱼后，系统会向大约 80 人发送短信提醒，包括救生员、冲浪用品店店主以及所有订阅了更新通知的人。Jim 指出，这些即时通知可以让人们迅速采取行动，在鲨鱼靠近海岸时保障海滩游客的安全。

Jim 还提到，SharkEye 配有实时仪表板，用户可以查看鲨鱼检测统计数据。例如，在 12 周内，系统识别出了两条大型鲨鱼和 15 条较小的鲨鱼，平均每周略多于一条。

随后，他介绍了主导 SharkEye 项目的科学家 Neil Nathan。尽管 Nathan 学习的是环境研究，而非计算机科学，但他仍成功推动了项目进展。Jim 强调，SharkEye 使用的现代 AI 工具等技术旨在让更多人都能使用，使没有技术背景的人也能开发具有实际影响力的解决方案。

使用 Ultralytics YOLOv8 检测鲨鱼#

Jim 进一步介绍了 SharkEye 的内部工作原理，并详细说明鲨鱼检测解决方案并非只涉及简单的目标检测任务。它必须应对动态且难以预测的情况，例如漂浮的海藻很容易被误认为鲨鱼。与识别静止物体不同，识别鲨鱼需要精确性和适应能力，因此 Ultralytics YOLOv8 是一个理想选择。

Ultralytics YOLOv8 的另一项优势是可以部署在无人机上，无需依赖云服务器。Jim 解释说，这种方式让 SharkEye 能够立即发送警报，这对于在变幻莫测的海洋环境中及时响应至关重要。

仅用六行代码实现目标检测#

介绍 SharkEye 的工作原理及其背后的协作过程后，Jim 展示了现场演示。

Jim Griffin 通过向观众演示一个熟悉的示例，开始了现场演示——一个用于 Ultralytics YOLO 模型的“hello world”代码片段。他只用了六行 Python 代码，就展示了预训练的 Ultralytics YOLOv8 模型如何检测图像中的公交车。

图 2. Jim 在 YOLO Vision 2024 上进行演示。

他的演示使用了 Ultralytics YOLOv8 Nano 模型。这是一个轻量级版本，适用于无人机等低功耗设备。SharkEye 也使用同一模型进行实时鲨鱼检测。

为了补充背景信息，Jim 提到演示中的模型是在 COCO128上训练的。COCO128 是广泛使用的 COCO 数据集的一个较小子集。COCO 数据集包含约 330,000 张图像，其中 200,000 多张带有标注，涵盖 80 个物体类别。他指出，COCO128 很适合快速演示，但 SharkEye 需要更强大的数据集——一个针对特定应用的鲨鱼检测数据集，以应对现实场景中的复杂情况。

为 SharkEye 定制训练 Ultralytics YOLOv8#

Jim 表示，SharkEye 项目最困难的部分不是训练 AI 模型，而是收集合适的数据。他说：“这个项目的主要工作不是 AI。项目的主要工作是连续五年驾驶无人机飞越那里，从视频中筛选图像，并为图像正确添加标签。”

他介绍说，团队在 Padaro Beach 收集了 15,000 张图像。每张图像都必须经过人工标注，以区分鲨鱼、海藻和水中的其他物体。这个过程既缓慢又费力，却为之后的一切奠定了基础。

图 3. 使用无人机拍摄鲨鱼图像，以便进行实时目标检测。

数据集准备就绪后，团队使用它对 Ultralytics YOLOv8 进行了定制训练。Jim 说：“实际训练并不难——在 T4 GPU 上只花了 20 个小时 \[图形处理器]。”他还补充说，如果使用 A100 GPU 等更强大的硬件，训练时间最多可以缩短到五小时。

评估 SharkEye：精确率优先于召回率#

随后，Jim 介绍了 SharkEye 的性能评估方式。他说明关键指标是精确率，即系统识别真实鲨鱼的准确程度。SharkEye 的精确率达到 92%，证明该模型能够在复杂的海洋环境中高效、准确地识别鲨鱼。

深入探讨精确率的重要性时，Jim 解释了为什么在这种情况下精确率比召回率更重要。他说：“大多数时候，人们更关注召回率，尤其是在医疗保健等领域，漏掉一个阳性病例可能会造成严重后果。但在这种情况下，我们不知道海里有多少鲨鱼，所以我们关注的是精确率。” SharkEye 通过专注于精确率来尽量减少误报，让救生员和其他响应人员能够更轻松地迅速采取行动。

图 4. Jim 在 YOLO Vision 2024 上展示 SharkEye。

他在演讲结尾将 AI 与人类表现进行了比较，并指出 SharkEye 的精确率达到 92%，远高于人类专家 60% 的准确率。他强调了这一差距，并说道：“这是因为我们是人。无论你我多么专业，如果必须整天坐在屏幕前寻找鲨鱼，我们最终还是会走神。”与人不同，AI 模型不会疲倦或分心，因此是需要持续监控的任务的可靠解决方案。

Ultralytics YOLO11#

Jim Griffin 演讲中一句引人深思的话——“六行代码有一天可能会救你一命”——展现了 AI 已经变得多么先进且易于使用。Ultralytics YOLO 模型正是以此为目标打造，让不同规模的开发者和企业都能使用先进的计算机视觉技术。Ultralytics YOLO11在此基础上实现了更快的推理速度和更高的准确率，后来又由 Ultralytics YOLO26接替。

快速了解 Ultralytics YOLO11 的优势：

• 重新设计的架构：改进后的骨干网络和颈部架构有助于更好地提取特征并提高精度。
• 易用性：你可以通过 Python 编程或 Ultralytics Platform 等无代码工具来使用它。
• 任务灵活性：Ultralytics YOLO11 支持多种计算机视觉任务，例如目标检测、实例分割、图像分类、姿态估计、定向边界框（OBB）和跟踪。
• 准确率提升：Ultralytics YOLO11m 在 COCO 数据集上的平均精度均值（mAP）高于 YOLOv8m，同时参数量减少了 22%。

这些特性让 Ultralytics YOLO11 非常适合在动态环境中跟踪动物行为，无论是在农场还是野外。

要点#

视觉 AI 的进步让人们能够借助适用于不同领域的实用工具，更轻松地应对现实世界中的挑战。例如，Ultralytics YOLO11 等计算机视觉模型可用于实时监控和跟踪动物，即使在严苛条件下也能胜任。

Jim Griffin 在 YV24 上的主题演讲展示了如何用 Ultralytics YOLOv8 通过少量代码解决复杂问题。SharkEye 项目将无人机与 AI 相结合，实现实时鲨鱼检测，展现了技术如何提升海滩安全。

这是一个很有说服力的案例，展示了易于使用的 AI 如何帮助不同背景的人们打造有效解决方案。

加入我们的社区，并探索我们的 GitHub 代码库，深入了解 AI。从农业中的计算机视觉到自动驾驶汽车中的 AI，看看这些技术如何推动创新。查看我们的许可选项，立即开启你的 AI 项目！