Eine aktuelle Studie präsentiert das Hu Sheep Behavior Dataset (HSBD) und das darauf aufbauende KT‑YOLO‑Modell, das eine mean Average Precision (mAP50) von 86,4 % erreicht – ein Zuwachs von 6,3 Prozentpunkten gegenüber dem Basis‑YOLOv8n‑Ansatz. Zusätzlich verbessert die eigens entwickelte SlideLoss‑Funktion die Klassifikationsgenauigkeit um weitere 1 Prozentpunkt.
Herausforderungen bei der Verhaltensdetektion
Die dichte Besatzung von Hu‑Schafen erschwert die Objekterkennung, während unausgewogene Verhaltenskategorien in Trainingsdaten zu hohen Fehlklassifizierungsraten führen. Bisherige Modelle setzten häufig auf übermäßige Parameterzahlen, was den Rechenaufwand erhöhte und die praktische Anwendung in intensiven Haltungssystemen einschränkte.
Datensatz HSBD im Detail
Der Datensatz umfasst 280 hochauflösende Bilder, die vier typische Verhaltensweisen – Stehen, Liegen, Fressen und Trinken – von insgesamt 6 766 Hu‑Schafen abbilden. Die Bildsammlung wurde gezielt in intensiven Haltungsszenarien erstellt, um realistische Bedingungen abzubilden.
Architektur des KT‑YOLO‑Modells
KT‑YOLO erweitert das leichte YOLOv8n‑Framework um die Kernel‑Team‑Fusion (KTF). Durch den gleichzeitigen Einsatz von vier unterschiedlichen Faltungskern‑Größen werden Merkmale mehrerer Skalen erfasst, was insbesondere bei teilweiser Verdeckung der Tiere von Vorteil ist.
SlideLoss zur Klassenbalancierung
Um die durch das Ungleichgewicht der Verhaltenskategorien entstehende Genauigkeitsminderung zu kompensieren, integriert das Modell die SlideLoss‑Funktion. Diese modifiziert die Verlustberechnung, sodass seltener vertretene Klassen stärker gewichtet werden.
Experimentelle Evaluation
Vergleichende Tests zeigen, dass KT‑YOLO die mAP50 um 6,3 Prozentpunkte gegenüber dem Standard‑YOLOv8n steigert. Im direkten Vergleich mit dem neueren YOLOv13n übertrifft KT‑YOLO die Konkurrenz ebenfalls in Szenarien mit hoher Schafsdichte.
Bedeutung fĂĽr die Praxis
Die Kombination aus HSBD und KT‑YOLO liefert sowohl eine höhere Erkennungsgenauigkeit als auch eine geringere Rechenlast, wodurch der Ansatz für den Einsatz in realen, intensiven Viehzuchtbetrieben geeignet ist. Die Ergebnisse unterstreichen das Potenzial tiefer Lernverfahren zur Optimierung von Tierüberwachungssystemen.
Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.
Ende der Ăśbertragung