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

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.