SharkEye 使用 Ultralytics YOLOv8 进行目标检测

监测自然栖息地中的动物，无论是农场中吃草的牛还是在海岸附近游动的鲨鱼，对它们的安全性与福祉而言始终至关重要。然而，手动观察并不容易。这通常需要数小时的耐心和专注，因为观察者必须仔细留意行为或动作的任何变化。即便如此，也很容易错过细微但重要的迹象。

多亏了人工智能（AI）的介入，这个过程变得更快、更聪明、更高效，在减轻人类观察员压力的同时提高了准确性。特别是计算机视觉可用于实时追踪动物、发现危险并做出决策。过去需要几小时的任务现在几分钟就能完成，为理解动物行为开辟了新途径。

在由 Ultralytics 主办的年度混合活动 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。展示的部分主题包括实时目标检测和动物监测方面的进展，展示了 AI 如何在各个领域提升安全性和效率。

活动亮点之一是 AI Master Group 创始人 Jim Griffin 的演讲，他演示了视觉 AI 如何在鲨鱼靠岸前将其检测出来，从而让海滩变得更加安全。他解释了他们如何使用先进的计算机视觉模型Ultralytics YOLOv8 在充满挑战的条件（如波涛汹涌、强光和水下障碍物）下实时准确识别鲨鱼。

在这篇文章中，我们将仔细了解 SharkEye 项目并分享 Jim 演讲中的有趣见解。

了解 SharkEye：一种计算机视觉应用#

Jim 在演讲开头介绍了加利福尼亚州著名的冲浪胜地 Padaro Beach，那里冲浪者和鲨鱼经常共享同一片水域。在强调鲨鱼检测的实际挑战时，他分享道：“当然，如果鲨鱼咬了你，检测它很容易；所以我们想做的是提前识别出这些鲨鱼。”

图 1. Jim 在 YOLO Vision 2024 舞台上。

在加利福尼亚大学圣巴巴拉分校的支持下，SharkEye 应运而生以解决这个问题。Jim 介绍了如何使用配备高分辨率AI 摄像头的无人机在水面上方约 200 英尺的高空飞行，对海洋进行实时扫描。

如果检测到鲨鱼，短信警报会发送给约 80 人，包括救生员、冲浪店老板以及任何订阅了更新的人。Jim 指出，这些即时通知能够实现快速响应，在鲨鱼靠近海岸时保护海滩游客的安全。

Jim 还提到 SharkEye 配备了一个实时仪表板，用户可以在其中查看鲨鱼检测统计数据。例如，在 12 周的时间里，该系统识别出了两条大鲨鱼和 15 条小鲨鱼，平均每周略多于一条。

随后，他介绍了领导 SharkEye 开发工作的科学家 Neil Nathan。尽管背景是环境研究而非计算机科学，Nathan 仍成功领导了该项目。Jim 强调了现代 AI 工具（如 SharkEye 中使用的那些）如何被设计为易于访问，使非技术背景的人员也能开发出具有影响力的解决方案。

使用 Ultralytics YOLOv8 检测鲨鱼#

深入探讨细节时，Jim 详细介绍了 SharkEye 的底层原理，以及鲨鱼检测方案不仅涉及简单的 object detection 任务。它还必须应对动态、不可预测的环境，例如很容易被误认为是鲨鱼的漂浮海藻。与识别静止物体不同，识别鲨鱼需要精度和适应性，这使得 Ultralytics YOLOv8 成为理想的选择。

Ultralytics YOLOv8 的另一个优势是它能够部署在无人机上，而无需依赖云服务器。Jim 解释了这种方法如何使 SharkEye 能够发送即时警报——这是在千变万化的海洋环境中确保及时响应的关键部分。

仅用六行代码进行目标检测#

在强调了 SharkEye 的工作原理及其背后的协作努力后，Jim 进行了一场现场演示。

Jim Griffin 的现场演示从带观众了解一个熟悉的例子开始——Ultralytics YOLO 模型的“Hello World”代码片段。他仅用六行 Python 代码就展示了预训练的 Ultralytics YOLOv8 模型如何轻松检测出图像中的公共汽车。

图 2. Jim 在 YOLO Vision 2024 的演示。

他的演示使用了 Ultralytics YOLOv8 Nano 模型，这是一个专为无人机等低功耗设备打造的轻量级版本。SharkEye 也使用了同一个模型来进行实时的鲨鱼检测。

为了提供更多背景信息，Jim 提到演示中的模型正在 COCO128 上进行训练，这是广受欢迎的COCO 数据集的一个较小子集。COCO 数据集包含跨越 80 个不同对象类别的 20,000 多张图像。虽然 COCO128 非常适合快速演示，但他指出 SharkEye 需要更强大的功能——一个能够处理现实世界场景复杂性的特定应用鲨鱼检测数据集。

为 SharkEye 自定义训练 Ultralytics YOLOv8#

据 Jim 说，SharkEye 项目最困难的部分不是训练 AI 模型，而是收集正确的数据。他评论道：“这个项目的主要工作不是 AI。这个项目的主要工作是五年来一直驾驶无人机，从视频中提取图像并进行适当的标记。”

他描述了团队如何在 Padaro Beach 收集了 15,000 张图像。每张图像都必须手动标注，以区分水中的鲨鱼、海藻和其他物体。虽然这个过程缓慢且艰巨，但它为随后的所有工作奠定了基础。

图 3. 使用无人机捕获鲨鱼图像以进行实时目标检测。

数据集准备好后，Ultralytics YOLOv8 在其上进行了自定义训练。Jim 说：“实际训练并非难事——在 T4 GPU [图形处理器] 上只花了 20 个小时。”他还补充说，如果使用更强大的硬件（例如 A100 GPU），时间可以缩短至区区五个小时。

评估 SharkEye：精度高于召回率#

随后，Jim 讨论了如何评估 SharkEye 的性能。他说明关键指标是精度——即系统识别实际鲨鱼的准确程度。SharkEye 实现了令人印象深刻的 92% 的精度，证明该模型在复杂海洋环境中准确识别鲨鱼方面非常有效。

深入探讨精度的重要性时，Jim 阐明了为什么在这种情况下精度比召回率更重要。“大多数时候，人们对召回率感兴趣，尤其是在医疗保健等遗漏阳性病例可能至关重要的领域。但在这种情况下，我们不知道外面有多少条鲨鱼，所以我们关心的是精度，”他解释道。SharkEye 通过关注精度将误报降至最低，使救生员和其他响应人员能够更轻松地快速采取行动。

图 4. Jim 在 YOLO Vision 2024 展示 SharkEye。

他在演讲结束时比较了 AI 与人类的表现，指出 SharkEye 92% 的精度远超人类专家 60% 的准确率。他强调了这一差距，说道：“这是因为我们是人类。无论你或我可能多么专业，如果我们必须整天坐在屏幕前寻找鲨鱼，最终我们的心思会游离。” 与人不同，AI 模型不会疲劳或分心，这使其成为需要持续监控的任务的可靠解决方案。

Ultralytics YOLO11：最新的 YOLO#

Jim Griffin 演讲中的一句引人入胜的话“六行代码有一天可能会救你一命”，完美地体现了人工智能变得多么先进而又易于使用。Ultralytics YOLO 模型正是本着这一理念创建的，让各种规模的开发人员和企业都能使用尖端的计算机视觉技术。Ultralytics YOLO11在此基础上通过更快的推理和更高的准确性得到了进一步提升。

以下是 Ultralytics YOLO11 与众不同的快速概览：

• 重新设计的架构：其增强的主干和颈部架构实现了更好的特征提取和更高的精度。
• 易用性：可以通过 Python 编码或 Ultralytics HUB 等无代码工具来使用它。
• 任务灵活性：Ultralytics YOLO11 支持诸如目标检测、实例分割、图像分类、追踪、姿态估计和旋转边界框 (OBB) 在内的计算机视觉任务。
• 准确率提升：与 COCO 数据集上的 YOLOv8m 相比，Ultralytics YOLO11 的平均精度均值 (mAP) 提高了 22%，从而能够提供更精准的检测结果。

这些特性使 Ultralytics YOLO11 非常适合在动态环境中进行动物行为追踪，无论是在农场还是野外。

关键要点#

视觉 AI 的进步通过为各个领域提供实用工具，使应对现实世界的挑战变得更容易。例如，像 Ultralytics YOLO11 这样的计算机视觉模型可用于实时监控和追踪动物，即使在恶劣条件下也是如此。

Jim Griffin 在 YV24 上的主题演讲展示了如何利用 Ultralytics YOLOv8 以最少的代码解决复杂问题。SharkEye 项目将无人机与 AI 相结合进行实时鲨鱼探测，展示了技术如何提高海滩安全性。

这是一个引人入胜的案例研究，展示了可访问的 AI 如何赋予不同背景的人们开发有效解决方案的能力。随着 AI 的不断演进，它正在重塑行业，并使个人能够利用其潜力使世界变得更安全、更智能、更高效。

加入我们的社区并探索我们的GitHub 仓库以深入了解 AI。从农业计算机视觉到自动驾驶汽车中的 AI，了解这些技术如何推动创新。查看我们的许可选项以在今天开启你的 AI 项目！