SharkEye 使用 Ultralytics YOLOv8 进行目标检测

无论是农场上吃草的牛，还是在近岸活动的鲨鱼，监测动物在其自然栖息地中的活动一直都对保障它们的安全和福祉非常重要。然而，人工观察它们并不容易。这通常需要数小时的耐心和专注，因为观察人员必须密切留意行为或活动的任何变化。即便如此，也很容易错过细微但重要的迹象。

随着人工智能（AI）的介入，这一过程正变得更快速、更智能且高效得多，在提高准确性的同时减轻了人工观察人员的负担。具体来说，计算机视觉可用于跟踪动物、发现危险并实时做出决策。过去需要数小时完成的任务现在几分钟内就能完成，为了解动物行为开辟了新途径。

在 YOLO Vision 2024（YV24）上，这场由 Ultralytics 主办的年度混合活动汇聚了专家和创新者，共同探索 AI 如何应对日常挑战。展示的主题包括实时目标检测方面的进展和动物监测，展现了 AI 如何提升各个领域的安全性和效率。

活动的亮点之一是 AI Master Group 创始人 Jim Griffin 的演讲。他在演讲中展示了视觉 AI如何通过在鲨鱼靠近海岸之前检测到它们来提高海滩安全性。他解释了团队如何使用Ultralytics YOLOv8这一尖端计算机视觉模型，在实时环境下准确识别鲨鱼，即使面对波浪起伏、眩光和水下障碍物等复杂情况也不例外。

本文将深入了解 SharkEye 项目，并分享 Jim 演讲中的一些有趣见解。

了解 SharkEye：一个计算机视觉应用#

Jim 在演讲开始时介绍了 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水域。为了突出鲨鱼检测的真正挑战，他分享道：“当然，如果鲨鱼咬了你，检测到它就很容易了，所以我们想做的是提前识别鲨鱼。”

图 1. Jim 在 YOLO Vision 2024 的舞台上。

SharkEye 的创建就是为了解决这一问题，并得到了加利福尼亚大学圣塔芭芭拉分校的支持。Jim 介绍说，团队使用配备高分辨率AI 摄像头的无人机，在水面上方约 200 英尺处飞行，实时扫描海洋。

如果检测到鲨鱼，短信提醒会发送给约 80 人，其中包括救生员、冲浪用品店店主以及任何注册接收更新的人。Jim 指出，这些即时通知能够支持快速响应，在鲨鱼靠近海岸时让海滩游客更加安全。

Jim 还提到，SharkEye 配备了一个实时仪表板，用户可以查看鲨鱼检测统计数据。例如，在 12 周内，该系统识别出两条大型鲨鱼和 15 条较小的鲨鱼，平均每周略多于一条。

随后，他介绍了 Neil Nathan，这位科学家领导了 SharkEye 背后的工作。尽管 Nathan 的背景是环境研究而非计算机科学，但他仍成功带头推进了该项目。Jim 强调，SharkEye 所使用的现代 AI 工具旨在降低使用门槛，使非技术背景的人员也能开发出具有实际影响力的解决方案。

使用 Ultralytics YOLOv8 检测鲨鱼#

在进一步介绍细节时，Jim 详细说明了 SharkEye 的内部工作原理，以及鲨鱼检测解决方案为何不仅仅是一个简单的目标检测任务。它必须应对漂浮海藻等动态且不可预测的情况，而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性，因此 Ultralytics YOLOv8 成为了理想选择。

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，这种方式使 SharkEye 能够立即发送警报——这是确保在不可预测的海洋环境中及时响应的关键部分。

仅用六行代码实现目标检测#

在介绍 SharkEye 的工作方式及其背后的协作努力后，Jim 展示了一个实时演示。

Jim Griffin 通过一个大家熟悉的示例开始实时演示——Ultralytics YOLO 模型的“hello world”代码片段。他仅用六行 Python 代码就展示了一个预训练的 Ultralytics YOLOv8 模型如何轻松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，这是一个适用于无人机等低功耗设备的轻量级版本。SharkEye 也使用了同一模型进行实时鲨鱼检测。

为了提供更多背景信息，Jim 提到，演示中的模型正在使用 COCO128 进行训练。COCO128 是广泛使用的 COCO 数据集。 COCO 数据集包含超过 20,000 张图像，涵盖 80 个不同的目标类别。虽然 COCO128 非常适合快速演示，但他指出，SharkEye 需要更稳健的方案——一个面向特定应用、能够处理真实场景复杂性的鲨鱼检测数据集。

为 SharkEye 定制训练 Ultralytics YOLOv8#

Jim 表示，SharkEye 项目中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。这个项目的主要工作是连续五年让无人机飞越那里，从视频中筛选图像，并对它们进行适当标注。”

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。虽然这一过程缓慢且要求很高，但它为后续的一切工作奠定了基础。

图 3. 使用无人机捕捉鲨鱼图像以进行实时目标检测。

数据集准备就绪后，Ultralytics YOLOv8 在其上进行了定制训练。Jim 说：“实际训练并不难——在 T4 GPU [图形处理单元] 上只花了 20 个小时。”他还补充说，使用 A100 GPU 等更强大的硬件，训练时间可以缩短至仅 5 个小时。

评估 SharkEye：精确率优先于召回率#

随后，Jim 讨论了如何评估 SharkEye 的性能。他说明，关键指标是精确率，即系统识别真实鲨鱼的准确程度。SharkEye 达到了令人印象深刻的 92% 精确率，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。

在深入说明精确率的重要性时，Jim 解释了为什么在这种情况下精确率比召回率更重要。“大多数时候，人们更关注召回率，尤其是在医疗保健等领域，因为漏掉一个阳性病例可能会造成严重后果。但在这个案例中，我们不知道海里到底有多少条鲨鱼，所以我们关注的是精确率，”他解释道。SharkEye 通过关注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快速采取行动。

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

演讲最后，他将 AI 的表现与人类表现进行了比较，并指出 SharkEye 92% 的精确率远高于人类专家 60% 的准确率。他强调了这一差距，并说道：“这是因为我们是人类。无论你我多么专业，如果必须整天坐在屏幕前寻找鲨鱼，我们最终都会走神。”与人类不同，AI 模型不会疲劳或分心，因此能够可靠地完成需要持续监测的任务。

Ultralytics YOLO11：最新 YOLO#

Jim Griffin 演讲中的一句引人深思的话——“六行代码有一天可能会救你的命”——完美体现了 AI 已经变得多么先进且易于使用。Ultralytics YOLO 模型正是本着这一理念打造的，让各种规模的开发者和企业都能使用尖端计算机视觉技术。Ultralytics YOLO11 在此基础上进一步提升了推理速度和准确率。

以下是 Ultralytics YOLO11 的主要特点：

• 重新设计的架构：增强的 backbone 和 neck 架构能够实现更好的特征提取和更高的精确率。
• 易于使用：你可以通过 Python 编程或 Ultralytics HUB 等无代码工具使用它。
• 跨任务灵活性：Ultralytics YOLO11 支持计算机视觉任务，包括目标检测、实例分割、图像分类、跟踪、姿态估计和定向边界框（OBB）。
• 更高的准确率：与 COCO 数据集上的 YOLOv8m 相比，Ultralytics YOLO11 的平均精度均值（mAP）提高了 22%，能够提供更精确的检测结果。

这些特性使 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。

要点总结#

视觉 AI 方面的进步正通过为各个领域提供实用工具，让应对现实世界的挑战变得更加容易。例如，Ultralytics YOLO11 等计算机视觉模型可用于实时监测和跟踪动物，即使在恶劣条件下也能发挥作用。

Jim Griffin 在 YV24 上的主题演讲展示了如何用极少的代码利用 Ultralytics YOLOv8 解决复杂问题。SharkEye 项目将无人机与 AI 结合起来进行实时鲨鱼检测，展现了技术如何提升海滩安全。

这是一个引人入胜的案例研究，展示了易于使用的 AI 如何赋能不同背景的人们创建有效的解决方案。随着 AI 持续发展，它正在改变各个行业，让人们能够利用其潜力，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，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，了解这些技术如何推动创新。查看我们的许可选项，立即开始你的 AI 项目！