Question 1

Wie genau ist die KI-Erkennung?

Accepted Answer

Unser Modell wurde mit Millionen von Wildtierbildern aus Europa und Nordamerika trainiert. Die KI, die Arten erkennt, trainiert sich nicht selbst weiter anhand Ihrer Fotos – aber TrailCamHub wird im Laufe der Zeit intelligenter in Bezug auf jede einzelne Kamera. Rechnen Sie im Laufe der Zeit mit einer Genauigkeit von über 95 % bei häufigen Arten wie Reh, Wildschwein und Fuchs. Es basiert auf bewährten Modellen aus dem Naturschutz, und bei klaren Aufnahmen ist es sehr gut – aber keine automatisierte Erkennung ist perfekt. Die Genauigkeit hängt vom Foto ab: Entfernung, Beleuchtung, Nachtaufnahmen, Bewegungsunschärfe, teilweise sichtbare Körper und ungewöhnliche Winkel machen Fehler möglich, und seltenere oder ähnlich aussehende Arten sind schwieriger als häufige. Betrachten Sie es als schnellen, leistungsstarken ersten Durchgang und nicht als Garantie – unsichere Fälle werden als überprüfungsbedürftig markiert, damit sie sichtbar werden, anstatt verborgen zu bleiben, und Sie können ein Ergebnis jederzeit bestätigen oder korrigieren.

Question 2

Is the detection algorithm learning?

Accepted Answer

The AI that recognises species doesn't train itself on your photos — but TrailCamHub does get smarter about each individual camera over time. It helps to separate two things: The recognition models stay fixed. The models that detect animals and identify species are pre-trained and don't change based on your images. Your photos aren't used to retrain them — which keeps results predictable and means your captures stay yours. Your cameras get cleaner over time. A trail camera sits in one fixed spot, so the same tree stump, root, rock or clump of grass can trigger it again and again — and the AI sometimes mistakes a static object like that for an animal, usually with low confidence. TrailCamHub watches for exactly this pattern: when the same area of a camera's frame keeps producing a near-identical, low-confidence detection across many photos over a longer period, it concludes that spot is a false alarm and stops flagging it as wildlife. So the longer a camera runs in one position, the fewer of these phantom detections you'll see. This kind of learning is per camera and only targets recurring false alarms. It doesn't change which species the AI can recognise, and it's designed not to hide a real animal that happens to use the same spot — animals vary in position from photo to photo and usually score higher confidence, so they aren't treated as a static object. Using the detection API? This false-alarm filtering is a feature of the TrailCamHub app, applied after detection on top of the raw result — it relies on each camera's photo history to spot recurring static objects. The public detection API works image by image and returns the raw detection result for the single image you send; it does not apply phantom-zone suppression. If you need that behaviour in your own integration, you'd build comparable logic on your side, or use the app, where it happens automatically. As always, the AI is a fast first pass rather than a guarantee, and you stay in control: you can correct any result yourself.

Question 3

Wie funktioniert die Erkennung genau und welche Modelle verwendet ihr genau?

Accepted Answer

Jedes Foto und Video durchläuft eine mehrstufige Pipeline anstelle eines einzelnen undurchschaubaren Modells. Jeder Schritt verwendet ein Modell, das speziell für Wildkamera-Aufnahmen entwickelt und erprobt wurde, und die Schritte bauen aufeinander auf: 1. Erkennung – finde die Tiere. Zunächst führen wir MegaDetector aus, den Standard-Open-Source-Wildkameradetektor, der von Microsofts AI-for-Earth-Programm entwickelt wurde und in der Wildforschung weit verbreitet ist. Er findet jedes Tier, jede Person und jedes Fahrzeug im Bild und zeichnet einen Rahmen um jedes – sagt aber noch nicht, welche Art es ist. Wir verwerfen Rahmen mit niedriger Konfidenz und führen überlappende zusammen, damit das gleiche Tier nie doppelt gezählt wird. Wenn kein Tier gefunden wird, wird das Foto als leerer/falscher Auslöser gekennzeichnet – so werden Aufnahmen von Gras im Wind automatisch gefiltert. 2. Klassifizierung – identifiziere die Art. Jedes erkannte Tier wird dann an einen Art-Klassifizierer weitergeleitet, und welcher verwendet wird, hängt davon ab, wo sich deine Kamera befindet: In Europa – DeepFaune: ein Klassifizierer aus der französischen DeepFaune-Initiative, einer von der CNRS geleiteten Zusammenarbeit von über 50 Wildforschungs- und Managementpartnern, trainiert auf einem großen europäischen Wildkamera-Datensatz mit Schwerpunkt auf Säugetiere, die in Europa verbreitet sind. Weltweit – SpeciesNet: Googles Open-Source-Modell (das in der Wildlife-Insights-Plattform verwendet wird). Es kombiniert MegaDetector mit einem EfficientNet-V2-Klassifizierer, trainiert auf einem sehr großen globalen Datensatz mit über 2.000 Arten und höheren Kategorien. 3. Regionsabstimmung – grenzen Sie es auf das ein, was tatsächlich an Ihrem Jagdort vorkommt. Ein weltweiter Klassifizierer wird gelegentlich eine Art vorschlagen, die an deinem Ort nicht vorkommt. Wir reduzieren das auf zwei Wegen: Geofencing (weltweit): SpeciesNet verwendet dein Kamera-Land/deine Region – und ihre Koordinaten, falls verfügbar – um Vorhersagen auf Arten zu beschränken, die dort wirklich vorkommen, damit ein nordamerikanisches Aussehen-Ähnliches nicht für einen bayerischen Wald vorgeschlagen wird. Deine Wildart-Liste: In deinen Einstellungen wählst du die Arten aus, die du auf deinem Gebiet erwartest. Wir trainieren die Modelle nicht mit deinen Fotos um – stattdessen verwenden wir deine Liste zur Validierung jedes Ergebnisses. Alles, das außerhalb deiner Liste liegt, wird nicht stillschweigend akzeptiert oder neu gekennzeichnet; es wird behalten und zur Überprüfung gekennzeichnet , damit du die Kontrolle behältst und das Ergebnis bestätigen oder korrigieren kannst. Je genauer deine Liste und der Kamerastandort der Realität entsprechen, desto sauberer sind deine Ergebnisse. 4. Geweihkontrolle (optional, für die Hirscharten, die du aktivierst). Für die mit Geweih versehenen Arten, die du aktivierst, nimmt ein separates Vision-Language-Modell eine Nahaufnahme des Tierkopfes und bewertet, ob Geweihe sichtbar sind. Es ist absichtlich konservativ: Nur ein klares "Ja" kennzeichnet das Tier als wahrscheinlich männlich, unsichere Fälle gehen zur Überprüfung erforderlich , und ein fehlendes oder verstecktes Geweih impliziert nie "weiblich" – Hirschkühe, abgeworfenes Geweih, ein zur Seite gedrehter Kopf oder ein aus dem Rahmen geschnittener Kopf können einfach nicht beurteilt werden. Um diesem Schritt eine faire Chance zu geben, erweitern wir die Aufnahme nach oben, damit der Kopf auch dann einbezogen wird, wenn der Detektor nur den Körper erfasst hat. 5. Ergebnis. Pro Foto erhältst du: die Art, wie viele Tiere, einen Rahmen auf dem Bild, der zeigt, was gefunden wurde und wo, einen Geweih-/Geschlechtshinweis, falls zutreffend, und alle gekennzeichneten Personen oder Fahrzeuge (die aus Datenschutzgründen unkenntlich gemacht oder ausgeblendet werden können). Videos funktionieren genauso – wir sampeln Frames über den Clip und kombinieren die Ergebnisse. Eine Anmerkung zur Genauigkeit: Dies sind ausgezeichnete, naturschutzgerechte Modelle, aber keine automatisierte Erkennung ist perfekt – Licht, Entfernung, Bewegungsunschärfe, teilweise Körper und ungünstige Winkel machen Fehler möglich. Behandle die Ergebnisse als schnellen, leistungsstarken ersten Durchgang, nicht als Garantie, und verifiziere alles, das wichtig ist. Die Flagge zur Überprüfung erforderlich existiert genau dafür, dass unsichere Fälle auftauchen, anstatt sich zu verstecken.

Question 4

Welche Arten kann TrailCamHub erkennen?

Accepted Answer

Es gibt keine feste Liste — was TrailCamHub erkennen kann, hängt von Ihrem Kamerastandort ab, da wir das für Ihre Region am besten geeignete Erkennungsmodell verwenden. In Europa verwendet die Erkennung DeepFaune , das etwa zwei Dutzend der häufigsten europäischen Arten und Gruppen abdeckt — die Wildtiere, die Sie auf europäischem Boden erwarten würden, wie Rotwild, Rehwild, Wildschwein, Fuchs, Gämse, Steinbock, Mufflon, Hase, Dachs und Luchs, plus breite Gruppen wie "Vogel". DeepFaune wird aktiv weiterentwickelt, daher wächst seine Abdeckung kontinuierlich. Weltweit verwendet die Erkennung SpeciesNet (Googles Open-Source-Modell), das über 2.000 Arten und übergeordnete Gruppen auf der ganzen Welt abdeckt. Außerhalb Europas ist dies das Modell, das Ihre Tiere identifiziert, eingegrenzt auf Ihren Kamerastandort, sodass nur Arten vorgeschlagen werden, die dort tatsächlich vorkommen. Zusätzlich zu den Tieren wird jedes Foto auch auf Personen und Fahrzeuge überprüft, die aus Datenschutzgründen unschärfer gemacht oder verborgen werden können. Zwei Faktoren bestimmen die genaue Liste, die Sie in der Praxis sehen. Ihre Region und Ihr Kamerastandort entscheiden, welches Modell und welcher geografische Artenpool gilt, und Ihre Wildarten-Liste in den Einstellungen ermöglicht es Ihnen, die Arten auszuwählen, die Sie auf Ihrem Grund tatsächlich erwarten — alles andere wird zur Überprüfung gekennzeichnet statt stillschweigend akzeptiert. Wo Sie die vollständigen Listen finden Der einfachste Ort ist in Ihrem Konto : Ihre Arteinstellungen zeigen die vollständige Liste, die für Ihre Region verfügbar ist, und Sie können die Arten ankreuzen, die Sie verfolgen möchten. Für die vollständigen zugrunde liegenden Modell-Listen: DeepFaune (Europa): deepfaune.cnrs.fr SpeciesNet (weltweit): Die vollständige Liste der 2.000+ Kategorien wird in der Modellkarte auf Kaggle (kaggle.com/models/google/speciesnet) und in Googles Projekt auf GitHub (github.com/google/cameratrapai) veröffentlicht. Wenn eine Art, die Sie jagen, nicht gut erkannt wird, teilen Sie uns dies mit — wir ordnen Arten auf unserer Seite den Modellen zu und können die Abdeckung für Ihre Region oft verbessern.

Question 5

Warum hat es die Art oder Anzahl manchmal falsch erkant?

Accepted Answer

Nachtaufnahmen, Bewegungsunterblechung und Tiere am Rand oder im Teil verborgen des Bildes körnen die Erkennnung verfaelschen. Es hilft, Ihre Artenliste abzwicken und gekennzz%hlnte Fotos z+bz��Y�[�[��YH�휛�[�[�Y�HZ[�\��X��\��ܜ�Y�Y\�[�

Question 6

Wie funktioniert die Geweih-(Bock-)Erkennung?

Accepted Answer

Für die Hirscharten, die Sie aktivieren, analysiert ein separates Vision-Modell eine Nahaufnahme des Tierkopfs und prüft, ob ein Geweih sichtbar ist. Da Wildkameras oft nur den Körper erfassen, erweitern wir den Bildausschnitt nach oben, um den Kopf einzubeziehen. Das System ist bewusst konservativ: Nur ein eindeutiges Ergebnis kennzeichnet das Tier als wahrscheinlicher Bock (Männchen) , während unsichere Fälle zur Überprüfung erforderlich markiert werden. Wichtig ist: Ein fehlendes oder verborgenes Geweih wird niemals als "weiblich" ausgelegt — eine Ricke, abgeworfenes Geweih oder ein gedrehter oder abgeschnittener Kopf können einfach nicht beurteilt werden. Behandeln Sie es als hilfreichen Hinweis zur Bestätigung, nicht als Garantie.

Artenerkennung