SharkEye nutzt Ultralytics YOLOv8 zur Objekterkennung

Die Überwachung von Tieren in ihrem natürlichen Lebensraum, sei es das Weiden von Rindern auf einem Bauernhof oder die Bewegung von Haien in Küstennähe, war schon immer wichtig für ihre Sicherheit und ihr Wohlbefinden. Allerdings ist es nicht einfach, sie manuell zu beobachten. Es erfordert oft stundenlange Geduld und sorgfältige Beobachtung, da die Beobachter/innen genau auf Veränderungen im Verhalten oder in der Bewegung achten müssen. Selbst dann ist es leicht, subtile, aber wichtige Anzeichen zu übersehen.

Dank künstlicher Intelligenz (KI) wird dieser Prozess immer schneller, intelligenter und effizienter, wodurch die Belastung der menschlichen Beobachter verringert und die Genauigkeit verbessert wird. Mit Hilfe von Computer Vision lassen sich Tiere verfolgen, Gefahren erkennen und Entscheidungen in Echtzeit treffen. Aufgaben, die früher Stunden dauerten, können jetzt in Minuten erledigt werden und eröffnen neue Möglichkeiten, das Verhalten von Tieren zu verstehen.

Auf der YOLO Vision 2024 (YV24), einer jährlichen Hybrid-Veranstaltung von Ultralytics, kamen Experten und Innovatoren zusammen, um zu erkunden, wie KI alltägliche Herausforderungen meistert. Zu den vorgestellten Themen gehörten Fortschritte bei der Objekterkennung in Echtzeit und der Tierüberwachung, die zeigen, wie KI die Sicherheit und Effizienz in verschiedenen Bereichen verbessert.

Einer der Höhepunkte der Veranstaltung war der Vortrag von Jim Griffin, dem Gründer der AI Master Group, in dem er demonstrierte, wie Vision AI Strände sicherer macht, indem sie Haie aufspürt, bevor sie zu nahe ans Ufer kommen. Er erklärte, wie sie Ultralytics YOLOv8ein hochmodernes Computer-Vision-Modell, eingesetzt wird, um Haie in Echtzeit zu erkennen, selbst unter schwierigen Bedingungen wie kabbeligen Wellen, Blendung und Unterwasserhindernissen.

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

Lernen Sie SharkEye kennen: Eine Computer Vision Anwendung

Zu Beginn seines Vortrags stellte Jim den Padaro Beach vor, ein bekanntes Surfrevier in Kalifornien, in dem sich Surfer und Haie oft die gleichen Gewässer teilen. Er wies auf die eigentliche Herausforderung der Hai-Erkennung hin: "Natürlich ist es einfach, einen Hai zu erkennen, wenn er dich beißt, also wollten wir die Haie vorher identifizieren."

‍

SharkEye wurde mit Unterstützung der University of California, Santa Barbara, gegründet, um dieses Problem anzugehen. Jim beschrieb, wie Drohnen mit hochauflösenden KI-Kameras eingesetzt wurden, um etwa 200 Fuß über dem Wasser zu fliegen und den Ozean in Echtzeit zu scannen.

Wenn ein Hai entdeckt wird, erreichen die SMS-Benachrichtigungen etwa 80 Personen, darunter Rettungsschwimmer, Surfshop-Besitzer und alle, die sich für Updates angemeldet haben. Jim wies darauf hin, dass diese sofortigen Benachrichtigungen eine schnelle Reaktion ermöglichen und die Sicherheit der Strandbesucher erhöhen, wenn sich ein Hai in der Nähe des Ufers befindet.

Jim erwähnte auch, dass SharkEye über ein Live-Dashboard verfügt, auf dem die Nutzer/innen die Hai-Erkennungsstatistiken einsehen können. In 12 Wochen hat das System zum Beispiel zwei große und 15 kleinere Haie identifiziert, also im Durchschnitt etwas mehr als einen Hai pro Woche.

Dann stellte er Neil Nathan vor, den Wissenschaftler, der die Bemühungen um SharkEye geleitet hat. Obwohl er eher einen Hintergrund in Umweltstudien als in Informatik hat, hat Nathan das Projekt erfolgreich vorangetrieben. Jim betonte, dass moderne KI-Tools, wie die von SharkEye, so konzipiert sind, dass sie auch für Menschen ohne technischen Hintergrund zugänglich sind und sie wirkungsvolle Lösungen entwickeln können.

Ultralytics YOLOv8 zum Aufspüren von Haien verwenden

Jim ging weiter ins Detail und erklärte, was hinter SharkEye steckt und dass es bei der Hai-Erkennungslösung nicht nur um eine einfache Objekterkennung ging. Sie musste mit dynamischen, unvorhersehbaren Bedingungen wie schwimmendem Seegras umgehen, das leicht mit einem Hai verwechselt werden kann. Im Gegensatz zur Erkennung eines stationären Objekts erfordert die Identifizierung eines Hais Präzision und Anpassungsfähigkeit, was YOLOv8 zu einer idealen Wahl macht.

Ein weiterer Vorteil von YOLOv8 war, dass es auf einer Drohne eingesetzt werden konnte, ohne auf Cloud-Server angewiesen zu sein. Jim erläuterte, wie dieser Ansatz es SharkEye ermöglichte, sofortige Warnungen zu senden - ein wesentlicher Bestandteil, um bei unvorhersehbaren Meeresbedingungen rechtzeitig reagieren zu können.

Objekterkennung mit nur sechs Zeilen Code

Nachdem er die Funktionsweise von SharkEye und die gemeinsame Arbeit dahinter erläutert hatte, zeigte Jim eine Live-Demo.

Jim Griffin begann seine Live-Demo, indem er das Publikum durch ein vertrautes Beispiel führte - ein "Hallo-Welt"-Code-Snippet für Ultralytics YOLO . Mit nur sechs Zeilen Python zeigte er, wie ein vortrainiertes Ultralytics YOLOv8 mühelos einen Bus in einem Bild erkennen kann. 

‍

In seiner Demo wurde das Modell YOLOv8 Nano verwendet, eine leichte Version für Geräte mit geringem Stromverbrauch wie Drohnen. Das gleiche Modell wurde in SharkEye für die Echtzeit-Erkennung von Haien verwendet. 

Um den Kontext zu verdeutlichen, 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 aus 80 verschiedenen Objektkategorien. Während COCO128 gut für schnelle Demonstrationen geeignet ist, wies er darauf hin, dass SharkEye etwas Robusteres braucht - einen anwendungsspezifischen Datensatz zur Haierkennung, der die Komplexität realer Szenarien bewältigen kann.

Benutzerdefiniertes Training YOLOv8 für SharkEye 

Laut Jim bestand der schwierigste Teil des SharkEye-Projekts nicht darin, das KI-Modell zu trainieren, sondern die richtigen Daten zu sammeln. Er sagte: "Die Hauptarbeit bei diesem Projekt war nicht die KI. Die Hauptarbeit bei diesem Projekt bestand darin, die Drohnen fünf Jahre lang fliegen zu lassen, die Bilder aus den Videos herauszufiltern und sie entsprechend zu kennzeichnen."

Er beschrieb, wie das Team 15.000 Bilder am Padaro Beach sammelte. Jedes Bild musste manuell beschriftet werden, um zwischen Haien, Seegras und anderen Objekten im Wasser unterscheiden zu können. Dieser Prozess war zwar langsam und anstrengend, aber er legte den Grundstein für alles, was danach kam.

‍

Als der Datensatz fertig war, wurde Ultralytics YOLOV8 auf ihm trainiert. Jim sagte: "Das eigentliche Training war nicht der schwierige Teil - es dauerte nur 20 Stunden auf T4-GPUs [Graphics Processing Units]." Er fügte hinzu, dass die Zeit mit leistungsfähigerer Hardware, z. B. A100-Grafikprozessoren, auf nur fünf Stunden hätte verkürzt werden können.

Bewertung von SharkEye: Präzision vor Rückruf

Anschließend erläuterte Jim, wie die Leistung von SharkEye bewertet wurde. Er erläuterte, dass die wichtigste Kennzahl die Genauigkeit war - wie genau das System die tatsächlichen Haie identifizierte. Mit einer beeindruckenden Genauigkeit von 92 % hat SharkEye bewiesen, dass das Modell Haie in der komplexen Umgebung des Ozeans sehr genau identifizieren kann.

Als er die Bedeutung der Genauigkeit genauer untersuchte, erklärte Jim, warum in diesem Fall die Genauigkeit wichtiger war als der Rückruf. "Meistens sind die Leute an der Auffindbarkeit interessiert, vor allem in Bereichen wie dem Gesundheitswesen, wo das Übersehen eines positiven Falls entscheidend sein kann. Aber in diesem Fall wussten wir nicht, wie viele Haie es da draußen gab, also ging es uns um die Präzision", erklärte er. SharkEye sorgte dafür, dass Fehlalarme auf ein Minimum reduziert wurden, indem es sich auf die Präzision konzentrierte, was es Rettungsschwimmern und anderen Einsatzkräften erleichterte, schnell zu handeln.

‍

Zum Abschluss seines Vortrags verglich er die KI mit der menschlichen Leistung und stellte fest, dass die 92%ige Genauigkeit von SharkEye die 60%ige Genauigkeit der menschlichen Experten bei weitem übertrifft. Er betonte diesen Unterschied und sagte: "Das liegt daran, dass wir Menschen sind. Wenn wir den ganzen Tag vor einem Bildschirm sitzen und nach Haien Ausschau halten müssen, werden wir irgendwann abschweifen, egal wie gut wir sind. Anders als Menschen ermüden KI-Modelle nicht und lassen sich nicht ablenken, was sie zu einer zuverlässigen Lösung für Aufgaben macht, die eine ständige Überwachung erfordern.

Ultralytics YOLO11: Das neueste YOLO

Ein faszinierendes Zitat aus Jim Griffins Vortrag, "Sechs Zeilen Code könnten eines Tages dein Leben retten", fasst perfekt zusammen, wie fortschrittlich und doch zugänglich KI geworden ist. DieYOLO Ultralytics wurden in diesem Sinne entwickelt und machen modernste Computer Vision Technologie für Entwickler/innen und Unternehmen jeder Größe zugänglich. Ultralytics YOLO11 baut mit schnelleren Schlussfolgerungen und höherer Genauigkeit darauf auf. 

Hier ist ein kurzer Blick darauf, was YOLO11 auszeichnet:

• Neu gestaltete Architektur: Die verbesserte Backbone- und Neck-Architektur ermöglicht eine bessere Merkmalsextraktion und höhere Präzision.
• Einfacher Gebrauch: Der Zugriff erfolgt über Python oder no-code Tools wie Ultralytics HUB.
• Flexibilität bei verschiedenen Aufgaben: YOLO11 unterstützt Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Bildklassifizierung, Tracking, Pose Estimation und Oriented Bounding Boxes (OBB).
• Verbesserte Genauigkeit: YOLO11 erreicht im Vergleich zu YOLOv8m auf dem COCO-Datensatz eine um 22 % höhere durchschnittliche Genauigkeit (mAP) und liefert damit präzisere Erkennungen.

Mit diesen Funktionen eignet sich YOLO11 hervorragend für die Verfolgung von Tierverhalten in dynamischen Umgebungen, egal ob auf einem Bauernhof oder in der freien Natur.

Die wichtigsten Erkenntnisse

Fortschritte in der KI erleichtern die Bewältigung von Herausforderungen in der realen Welt, indem sie praktische Werkzeuge für verschiedene Bereiche bereitstellen. Computer-Vision-Modelle wie YOLO11 können zum Beispiel für die Echtzeitüberwachung und -verfolgung von Tieren eingesetzt werden, selbst unter schwierigen Bedingungen. 

Jim Griffin zeigte in seiner Keynote bei YV24, wie YOLOv8 genutzt werden kann, um komplexe Probleme mit minimalem Programmieraufwand zu lösen. Das Projekt SharkEye, bei dem Drohnen mit KI kombiniert werden, um Haie in Echtzeit zu erkennen, zeigte, wie Technologie die Sicherheit am Strand verbessern kann. 

Es war eine faszinierende Fallstudie darüber, wie KI Menschen mit unterschiedlichem Hintergrund in die Lage versetzt, effektive Lösungen zu entwickeln. Die Weiterentwicklung der KI verändert die Industrie und ermöglicht es dem Einzelnen, 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 hin zu KI in selbstfahrenden Autos- erfahre, wie diese Technologien Innovationen vorantreiben. Schau dir unsere Lizenzierungsoptionen an, um noch heute mit deinen KI-Projekten zu beginnen!