Technologie oparte na sztucznej inteligencji odgrywają coraz większą rolę we współczesnym rolnictwie, szczególnie w monitorowaniu zdrowia i dobrostanu zwierząt. W tym kontekście, algorytmy detekcji obiektów, takie jak YOLOv8, stają się niezastąpionym narzędziem dla hodowców, umożliwiając automatyczne rozpoznawanie zwierząt na zdjęciach, w tym krów i świń.
Aby wytrenować efektywny model detekcji, kluczowe jest posiadanie różnorodnego i reprezentatywnego zbioru danych. W przypadku naszego algorytmu, zbiór danych składa się z oznakowanych zdjęć krów i świń, zebranych zarówno z otwartych źródeł, jak i w trakcie pomiarów badawczych. Dążymy do zapewnienia różnorodności scenariuszy, pozycji ciał zwierząt i warunków oświetleniowych, co pozwala na lepszą generalizację modelu na różne warunki środowiskowe.
Etykiety zostały przygotowane manualnie, przy użyciu oprogramowania do anotacji obrazów, co zapewnia precyzyjne określenie lokalizacji i klasy każdego zwierzęcia na zdjęciach. Każda etykieta zawiera niezbędne informacje dla modelu YOLOv8, takie jak współrzędne bounding box (prostokąt otaczający obiekt) oraz klasę obiektu (krowa lub świnia).
Podział zbioru danych na treningowy, walidacyjny i testowy z proporcjami 70%, 20% i 10% ma na celu zapewnienie skutecznego procesu uczenia oraz walidacji modelu. Segment treningowy umożliwia uczenie modelu, segment walidacyjny służy do dostosowywania hiperparametrów i oceny przetrenowania, a segment testowy pozwala na ostateczną ocenę wydajności modelu.
Dokładne oznaczenie i dywersyfikacja zbioru danych są kluczowe dla osiągnięcia wysokiej dokładności detekcji i klasyfikacji przez model YOLOv8. Skuteczność tego algorytmu bezpośrednio przekłada się na efektywne monitorowanie zwierząt w gospodarstwach hodowlanych, co może przyczynić się do poprawy zarządzania produkcją oraz dobrostanu zwierząt.
Wniosek płynący z naszej pracy podkreśla znaczenie odpowiedniego przygotowania zbioru danych oraz systematycznej ewaluacji modelu w procesie trenowania algorytmów detekcji obiektów opartych na głębokim uczeniu maszynowym. Dzięki temu możliwe jest stworzenie skutecznych narzędzi wspierających rolnictwo, które mogą przyczynić się do poprawy wydajności produkcji oraz dobrostanu zwierząt.
