![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/Simone-Gayed-Said-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Mittel")
<\/span><\/div>Einf\u00fchrung<\/h2><\/div>Intelligente Parks<\/a> ben\u00f6tigte ein System zur \u00dcberwachung von Wildtieren, das die folgenden Aufgaben erf\u00fcllen konnte:<\/p>\n<\/div>- <\/i><\/span>Laden Sie die Medien (Bilder und\/oder Videos) von Kamerafallen an einem einzigen Ort.<\/div><\/li>
- <\/i><\/span>\n
Erkennen Sie automatisch die Anwesenheit von Menschen und Tieren in den Medien<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Greifen Sie auf die Vorhersagen in Earth Rangers zu, einer Anwendung, die zur Verwaltung der Parks und ihrer Tierwelt dient.<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
\u00dcberwachen Sie die von den Kamerafallen kommenden Medien<\/p>\n<\/div><\/li><\/ul>
Unser Leitgedanke dabei war, dass wir die Geschwindigkeit bevorzugen. Als wir anfingen, war unsere einzige Priorit\u00e4t, so schnell wie m\u00f6glich ein voll funktionsf\u00e4higes End-to-End-Produkt bereitzustellen.<\/p>\n
Dies wird der erste Artikel von vielen sein, der sich auf den Kontext des Projekts, die \u00dcbersicht \u00fcber das entwickelte System und die Vorteile unserer cloud-basierten L\u00f6sung konzentriert. In den n\u00e4chsten Artikeln werden wir uns eingehender mit dem Anschluss von Kamerafallen an das\u00a0Google Cloud-Plattform<\/a>\u00a0und externe Endpunkte mit einem Tool namens\u00a0Node-RED<\/a>\u00a0und wie Sie eine einfache Webanwendung mit\u00a0Streamlit<\/a>\u00a0um die in den Parks aufgestellten Kamerafallen zu verwalten.<\/p>\nFangen wir an!<\/p>\n<\/div>
Kamera-Fallen<\/h2><\/div>Bevor wir loslegen, sollten wir uns kurz ansehen, was Kamerafallen sind und wie sie zum Schutz und zur Erhaltung von Tieren eingesetzt werden k\u00f6nnen.<\/p>\n
Kamerafallen sind Ger\u00e4te, die \u00fcber eingebaute Sensoren verf\u00fcgen, so dass sofort ein Bild oder ein Video aufgenommen wird, wenn vor ihnen eine Aktivit\u00e4t festgestellt wird. Sie erm\u00f6glichen es Parkrangern und Wildbiologen, unsere Artgenossen zu beobachten, ohne ihr normales Verhalten zu beeintr\u00e4chtigen.<\/p>\n
In den Parks herumzugehen und Informationen zu sammeln ist eine gute Methode, aber es ist ein teurer, arbeitsintensiver und personalaufw\u00e4ndiger Prozess. Au\u00dferdem besteht das Risiko, auf gef\u00e4hrliche Wildtiere oder - noch schlimmer - auf Wilderer zu sto\u00dfen.<\/p>\n
Die verschiedenen Techniken zum Sammeln von data sind zwar mit unterschiedlichen Nachteilen verbunden, aber Kamerafallen sind eine hervorragende Quelle. Der gro\u00dfe Vorteil von Kamerafallen ist, dass sie kontinuierlich und ger\u00e4uschlos arbeiten und sehr genaue data aufzeichnen k\u00f6nnen, ohne das fotografierte Objekt zu st\u00f6ren. Sie k\u00f6nnen sowohl bei der heimlichen \u00dcberwachung m\u00f6glicher illegaler Aktivit\u00e4ten als auch bei der Quantifizierung der Anzahl verschiedener Arten in einem Gebiet und der Bestimmung ihres Verhaltens und ihrer Aktivit\u00e4tsmuster hilfreich sein.<\/p>\n<\/div>
Google Cloud-Plattform<\/h2><\/div>F\u00fcr die Speicherung und Verwaltung der Kamerafallen-Medien haben wir uns f\u00fcr eine cloud-basierte L\u00f6sung entschieden, genauer gesagt f\u00fcr die Google Cloud Platform.<\/p>\n
Google bietet Speicherl\u00f6sungen wie\u00a0Google Cloud-Speicher<\/a>, Objektspeicher mit integriertem Edge Caching zum Speichern unstrukturierter data, Rechenl\u00f6sungen wie\u00a0Cloud-Funktionen<\/a>, Functions as a Service, um ereignisgesteuerten Code auszuf\u00fchren, und es bietet zum Beispiel auch n\u00fctzliche KI-APIs:<\/p>\n<\/div>- <\/i><\/span>Cloud Vision API<\/a>\u00a0- Bildanalysedienst basierend auf maschinellem Lernen<\/div><\/li>
- <\/i><\/span>Cloud Video Intelligence<\/a>\u00a0- Videoanalysedienst basierend auf maschinellem Lernen<\/div><\/li><\/ul>
All diese Komponenten in einer einzigen, einheitlichen Umgebung zu haben, war f\u00fcr uns die ideale L\u00f6sung und half uns, in kurzer Zeit eine funktionierende L\u00f6sung bereitzustellen.<\/p>\n<\/div>
Der Arbeitsablauf<\/h2><\/div>Zun\u00e4chst werden die Medien in einen Google Cloud Storage Bucket hochgeladen. Wie genau das geschieht, erfahren Sie im zweiten Artikel dieser Serie. Der Bucket ist in Ordnern organisiert, einer f\u00fcr jede Kamerafalle. Sobald eine Datei hochgeladen ist, wird sofort eine Google Cloud-Funktion ausgel\u00f6st, die sich um die folgenden Aufgaben k\u00fcmmert:<\/p>\n<\/div>
- <\/i><\/span>Lesen Sie die hochgeladenen Medien<\/div><\/li>
- <\/i><\/span>\n
Rufen Sie die Cloud Vision oder die Cloud Video Intelligence API auf, um die Vorhersagen abzurufen<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Archivieren Sie die API-Antworten in einem anderen Cloud Storage Bucket<\/p>\n<\/div><\/li>
- <\/i><\/span>\n
Senden Sie die Vorhersagen an einen Endpunkt au\u00dferhalb von GCP<\/p>\n<\/div><\/li><\/ul>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/elephant1.webp\" "\\"Elefant1\\"")
<\/span><\/div>Diese Architektur bietet mehrere Vorteile:<\/p>\n<\/div>
- <\/i><\/span>\n
Skalierbarkeit<\/strong>: Dank der Verwendung von Cloud-Funktionen ist die L\u00f6sung in der Lage, automatisch auf der Grundlage der Anzahl der Anfragen zu skalieren (d.h. der Anzahl der Medien, die gleichzeitig in den Eingangs-Cloud-Speicher-Bucket hochgeladen werden).<\/p>\n<\/div><\/li>- <\/i><\/span>\n
G\u00fcnstige und dauerhafte Lagerung<\/strong>: Die Speicherung von unstrukturierten data in Google Cloud Storage ist recht kosteng\u00fcnstig (nur $0,026 pro GB-Monat f\u00fcr die Standard-Speicherebene) und bietet dar\u00fcber hinaus die klassenbeste Haltbarkeit von Objekten \u00fcber ein Jahr hinweg<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Automatisierung<\/strong>: Die Nutzung all dieser Dienste zusammen erm\u00f6glicht uns eine vollst\u00e4ndig automatisierte Pipeline, bei der kein menschliches Eingreifen erforderlich ist. Von der data-Ingestion bis zum Abruf der Vorhersagen l\u00e4uft alles automatisch, sobald ein neues Medium hochgeladen wird.<\/p>\n<\/div><\/li><\/ul>Cloud Vision und Cloud Video Intelligence APIs<\/h2><\/div>Die Verwendung von maschinellem Lernen, insbesondere von Computer Vision, zur automatischen Identifizierung von Menschen und Tieren in Bildern oder Videos hat in den letzten Jahren erhebliche Fortschritte gemacht und wird heute von Tierforschern als \u201cgame-changer\u201d angesehen. Konzentrieren wir uns mehr auf die verwendeten APIs.<\/p>\n
Vision API<\/a>\u00a0und\u00a0Video Intelligence API<\/a>\u00a0bieten leistungsstarke, vorab trainierte Modelle f\u00fcr maschinelles Lernen \u00fcber REST- und RPC-APIs. Die erste ist f\u00fcr Bilder gedacht, w\u00e4hrend die zweite, wie der Name schon sagt, mit Videos arbeitet. Beide sind in der Lage, automatisch eine gro\u00dfe Anzahl von Objekten, Orten und Aktionen zu erkennen.<\/p>\nBei diesem Projekt haben wir uns haupts\u00e4chlich auf diese 3 Funktionen konzentriert, die von den APIs bereitgestellt werden:<\/p>\n<\/div>
- <\/i><\/span>\n
Erkennung von Etiketten<\/strong>: Um eine Vorstellung von den Entit\u00e4ten (z.B. Tiere, Menschen, Fahrzeuge) zu haben, die in den Medien vorhanden sind. Auf dieser Grundlage k\u00f6nnten Sie Regeln erstellen, die bei Vorhandensein einer bestimmten Gruppe von Objekten einen Alarm ausl\u00f6sen.<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Objekterkennung\/-verfolgung<\/strong>: Um eine genauere Vorstellung von der Position der erkannten Tiere\/Menschen in den Medien zu erhalten. Anders als bei der Erkennung von Etiketten erhalten wir hier auch die Box-Anmerkungen der Erkennungen<\/p>\n<\/div><\/li>- <\/i><\/span>\n
Gesichter\/Personenerkennung<\/strong>: Um mehr Informationen \u00fcber die entdeckten Personen zu erhalten, z.B. um ihre Emotionen zu verstehen oder ihre Kleidung zu entnehmen. Diese zus\u00e4tzlichen Informationen k\u00f6nnten dann verwendet werden, um Wilderer von normalen Menschen zu unterscheiden.<\/p>\n<\/div><\/li><\/ul>Sie k\u00f6nnen mit der Vision API spielen, indem Sie Ihr Bild einfach \u00fcber\u00a0Hier<\/a>.<\/p>\n<\/div>![](\"data:image\/svg+xml,%3Csvg%20xmlns%3D%27http%3A%2F%2Fwww.w3.org%2F2000%2Fsvg%27%20width%3D%271200%27%20height%3D%27646%27%20viewBox%3D%270%200%201200%20646%27%3E%3Crect%20width%3D%271200%27%20height%3D%27646%27%20fill-opacity%3D%220%22%2F%3E%3C%2Fsvg%3E\" "\\"Elefant2\\"")
<\/span><\/div>Der Weg vor uns<\/h2><\/div>Die bisherige Reise ist eine Grundlage f\u00fcr die aufregende und wirkungsvolle Reise, die vor uns liegt. Wenn wir in naher Zukunft die grundlegenden Werkzeuge zur Verf\u00fcgung haben, werden wir in der Lage sein, nicht nur f\u00fcr Smart Parks, sondern auch f\u00fcr den Schutz der Tierwelt und dar\u00fcber hinaus einen gro\u00dfen Wert zu schaffen!<\/p>\n
Die n\u00e4chsten Schritte werden diese gro\u00dfen Arbeitsbereiche betreffen:<\/p>\n<\/div>
- <\/i><\/span>\n\n
Modellversuche<\/strong>: Bislang haben wir nur mit APIs oder vortrainierten Modellen experimentiert, aber in Zukunft w\u00e4re es interessant, ein dataset von Bildern\/Videos zu erstellen, die von den Kamerafallen gesammelt wurden. Beschriften Sie diese, entweder manuell oder mit dem System, das wir gerade vorgestellt haben, und trainieren Sie damit eigene Computer Vision Modelle, um eine h\u00f6here Genauigkeit zu erreichen.<\/p>\n<\/div>\n<\/div><\/li>- <\/i><\/span>\n\n
Implementierung von Anwendungsf\u00e4llen<\/strong>: Da wir bereits \u00fcber eine vollautomatische L\u00f6sung verf\u00fcgen, k\u00f6nnen wir uns st\u00e4rker auf die Entwicklung gezielter Anwendungsf\u00e4lle konzentrieren, also wirklich dar\u00fcber nachdenken, wie wir die abgerufenen Informationen nutzen k\u00f6nnen, um etwas zu bewirken und den Rangern und allen Freiwilligen beim Schutz der Tierwelt in den Parks zu helfen.<\/p>\n<\/div>\n<\/div><\/li>- <\/i><\/span>\n\n
Edge AI<\/strong>: Im Moment ist die Ausf\u00fchrungsgeschwindigkeit unserer Vorhersageschleife f\u00fcr unseren Anwendungsfall zufriedenstellend (ein paar Minuten). Wir haben noch Verbesserungsm\u00f6glichkeiten, um einer Echtzeitl\u00f6sung n\u00e4her zu kommen. Edge AI, mit einem Modell, das n\u00e4her an der eigentlichen Kamerafallen-Hardware installiert ist und l\u00e4uft, ist eine Option, die helfen w\u00fcrde, Roundtrips zum cloud zu vermeiden.<\/p>\n<\/div>\n<\/div>\n<\/div><\/li><\/ul>In diesem ersten Artikel haben wir besprochen, wie wir unsere vollautomatische, skalierbare Pipeline in Google Cloud aufgebaut haben, die es uns erm\u00f6glicht, Medien aufzunehmen und mithilfe von Machine Learning-APIs Erkenntnisse aus ihnen zu gewinnen. Sie bietet eine solide, einfache und schnell zu implementierende Grundlage f\u00fcr jede Art von Projekt, das den Medienkonsum und die Verwendung von maschinellem Lernen zur Gewinnung von Erkenntnissen aus diesen Medien beinhaltet.<\/p>\n
Vielen Dank f\u00fcrs Lesen und bis zum n\u00e4chsten Mal im n\u00e4chste Artikel<\/a> der Serie, in der wir genauer erkl\u00e4ren werden, wie die vorgestellte Architektur effektiv mit den Kamerafallen verbunden ist, und in der wir die Web-App zur Verwaltung dieser Fallen vorstellen werden. Bleiben Sie also dran!<\/p>\nBesonderen Dank an Ma\u00ebl Deschamps f\u00fcr seine Hilfe bei der \u00dcberpr\u00fcfung des Inhalts dieses Beitrags und an Tim van Dam von Smart Parks f\u00fcr seine Unterst\u00fctzung bei diesem Projekt. Sie rocken!<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/article>
Intelligente Parks<\/a> ben\u00f6tigte ein System zur \u00dcberwachung von Wildtieren, das die folgenden Aufgaben erf\u00fcllen konnte:<\/p>\n<\/div> Erkennen Sie automatisch die Anwesenheit von Menschen und Tieren in den Medien<\/p>\n<\/div><\/li> Greifen Sie auf die Vorhersagen in Earth Rangers zu, einer Anwendung, die zur Verwaltung der Parks und ihrer Tierwelt dient.<\/p>\n<\/div><\/li> \u00dcberwachen Sie die von den Kamerafallen kommenden Medien<\/p>\n<\/div><\/li><\/ul> Unser Leitgedanke dabei war, dass wir die Geschwindigkeit bevorzugen. Als wir anfingen, war unsere einzige Priorit\u00e4t, so schnell wie m\u00f6glich ein voll funktionsf\u00e4higes End-to-End-Produkt bereitzustellen.<\/p>\n Dies wird der erste Artikel von vielen sein, der sich auf den Kontext des Projekts, die \u00dcbersicht \u00fcber das entwickelte System und die Vorteile unserer cloud-basierten L\u00f6sung konzentriert. In den n\u00e4chsten Artikeln werden wir uns eingehender mit dem Anschluss von Kamerafallen an das\u00a0Google Cloud-Plattform<\/a>\u00a0und externe Endpunkte mit einem Tool namens\u00a0Node-RED<\/a>\u00a0und wie Sie eine einfache Webanwendung mit\u00a0Streamlit<\/a>\u00a0um die in den Parks aufgestellten Kamerafallen zu verwalten.<\/p>\n Fangen wir an!<\/p>\n<\/div> Bevor wir loslegen, sollten wir uns kurz ansehen, was Kamerafallen sind und wie sie zum Schutz und zur Erhaltung von Tieren eingesetzt werden k\u00f6nnen.<\/p>\n Kamerafallen sind Ger\u00e4te, die \u00fcber eingebaute Sensoren verf\u00fcgen, so dass sofort ein Bild oder ein Video aufgenommen wird, wenn vor ihnen eine Aktivit\u00e4t festgestellt wird. Sie erm\u00f6glichen es Parkrangern und Wildbiologen, unsere Artgenossen zu beobachten, ohne ihr normales Verhalten zu beeintr\u00e4chtigen.<\/p>\n In den Parks herumzugehen und Informationen zu sammeln ist eine gute Methode, aber es ist ein teurer, arbeitsintensiver und personalaufw\u00e4ndiger Prozess. Au\u00dferdem besteht das Risiko, auf gef\u00e4hrliche Wildtiere oder - noch schlimmer - auf Wilderer zu sto\u00dfen.<\/p>\n Die verschiedenen Techniken zum Sammeln von data sind zwar mit unterschiedlichen Nachteilen verbunden, aber Kamerafallen sind eine hervorragende Quelle. Der gro\u00dfe Vorteil von Kamerafallen ist, dass sie kontinuierlich und ger\u00e4uschlos arbeiten und sehr genaue data aufzeichnen k\u00f6nnen, ohne das fotografierte Objekt zu st\u00f6ren. Sie k\u00f6nnen sowohl bei der heimlichen \u00dcberwachung m\u00f6glicher illegaler Aktivit\u00e4ten als auch bei der Quantifizierung der Anzahl verschiedener Arten in einem Gebiet und der Bestimmung ihres Verhaltens und ihrer Aktivit\u00e4tsmuster hilfreich sein.<\/p>\n<\/div> F\u00fcr die Speicherung und Verwaltung der Kamerafallen-Medien haben wir uns f\u00fcr eine cloud-basierte L\u00f6sung entschieden, genauer gesagt f\u00fcr die Google Cloud Platform.<\/p>\n Google bietet Speicherl\u00f6sungen wie\u00a0Google Cloud-Speicher<\/a>, Objektspeicher mit integriertem Edge Caching zum Speichern unstrukturierter data, Rechenl\u00f6sungen wie\u00a0Cloud-Funktionen<\/a>, Functions as a Service, um ereignisgesteuerten Code auszuf\u00fchren, und es bietet zum Beispiel auch n\u00fctzliche KI-APIs:<\/p>\n<\/div> All diese Komponenten in einer einzigen, einheitlichen Umgebung zu haben, war f\u00fcr uns die ideale L\u00f6sung und half uns, in kurzer Zeit eine funktionierende L\u00f6sung bereitzustellen.<\/p>\n<\/div> Zun\u00e4chst werden die Medien in einen Google Cloud Storage Bucket hochgeladen. Wie genau das geschieht, erfahren Sie im zweiten Artikel dieser Serie. Der Bucket ist in Ordnern organisiert, einer f\u00fcr jede Kamerafalle. Sobald eine Datei hochgeladen ist, wird sofort eine Google Cloud-Funktion ausgel\u00f6st, die sich um die folgenden Aufgaben k\u00fcmmert:<\/p>\n<\/div> Rufen Sie die Cloud Vision oder die Cloud Video Intelligence API auf, um die Vorhersagen abzurufen<\/p>\n<\/div><\/li> Archivieren Sie die API-Antworten in einem anderen Cloud Storage Bucket<\/p>\n<\/div><\/li> Senden Sie die Vorhersagen an einen Endpunkt au\u00dferhalb von GCP<\/p>\n<\/div><\/li><\/ul> Diese Architektur bietet mehrere Vorteile:<\/p>\n<\/div> Skalierbarkeit<\/strong>: Dank der Verwendung von Cloud-Funktionen ist die L\u00f6sung in der Lage, automatisch auf der Grundlage der Anzahl der Anfragen zu skalieren (d.h. der Anzahl der Medien, die gleichzeitig in den Eingangs-Cloud-Speicher-Bucket hochgeladen werden).<\/p>\n<\/div><\/li> G\u00fcnstige und dauerhafte Lagerung<\/strong>: Die Speicherung von unstrukturierten data in Google Cloud Storage ist recht kosteng\u00fcnstig (nur $0,026 pro GB-Monat f\u00fcr die Standard-Speicherebene) und bietet dar\u00fcber hinaus die klassenbeste Haltbarkeit von Objekten \u00fcber ein Jahr hinweg<\/p>\n<\/div><\/li> Automatisierung<\/strong>: Die Nutzung all dieser Dienste zusammen erm\u00f6glicht uns eine vollst\u00e4ndig automatisierte Pipeline, bei der kein menschliches Eingreifen erforderlich ist. Von der data-Ingestion bis zum Abruf der Vorhersagen l\u00e4uft alles automatisch, sobald ein neues Medium hochgeladen wird.<\/p>\n<\/div><\/li><\/ul> Die Verwendung von maschinellem Lernen, insbesondere von Computer Vision, zur automatischen Identifizierung von Menschen und Tieren in Bildern oder Videos hat in den letzten Jahren erhebliche Fortschritte gemacht und wird heute von Tierforschern als \u201cgame-changer\u201d angesehen. Konzentrieren wir uns mehr auf die verwendeten APIs.<\/p>\n Vision API<\/a>\u00a0und\u00a0Video Intelligence API<\/a>\u00a0bieten leistungsstarke, vorab trainierte Modelle f\u00fcr maschinelles Lernen \u00fcber REST- und RPC-APIs. Die erste ist f\u00fcr Bilder gedacht, w\u00e4hrend die zweite, wie der Name schon sagt, mit Videos arbeitet. Beide sind in der Lage, automatisch eine gro\u00dfe Anzahl von Objekten, Orten und Aktionen zu erkennen.<\/p>\n Bei diesem Projekt haben wir uns haupts\u00e4chlich auf diese 3 Funktionen konzentriert, die von den APIs bereitgestellt werden:<\/p>\n<\/div> Erkennung von Etiketten<\/strong>: Um eine Vorstellung von den Entit\u00e4ten (z.B. Tiere, Menschen, Fahrzeuge) zu haben, die in den Medien vorhanden sind. Auf dieser Grundlage k\u00f6nnten Sie Regeln erstellen, die bei Vorhandensein einer bestimmten Gruppe von Objekten einen Alarm ausl\u00f6sen.<\/p>\n<\/div><\/li> Objekterkennung\/-verfolgung<\/strong>: Um eine genauere Vorstellung von der Position der erkannten Tiere\/Menschen in den Medien zu erhalten. Anders als bei der Erkennung von Etiketten erhalten wir hier auch die Box-Anmerkungen der Erkennungen<\/p>\n<\/div><\/li> Gesichter\/Personenerkennung<\/strong>: Um mehr Informationen \u00fcber die entdeckten Personen zu erhalten, z.B. um ihre Emotionen zu verstehen oder ihre Kleidung zu entnehmen. Diese zus\u00e4tzlichen Informationen k\u00f6nnten dann verwendet werden, um Wilderer von normalen Menschen zu unterscheiden.<\/p>\n<\/div><\/li><\/ul> Sie k\u00f6nnen mit der Vision API spielen, indem Sie Ihr Bild einfach \u00fcber\u00a0Hier<\/a>.<\/p>\n<\/div> Die bisherige Reise ist eine Grundlage f\u00fcr die aufregende und wirkungsvolle Reise, die vor uns liegt. Wenn wir in naher Zukunft die grundlegenden Werkzeuge zur Verf\u00fcgung haben, werden wir in der Lage sein, nicht nur f\u00fcr Smart Parks, sondern auch f\u00fcr den Schutz der Tierwelt und dar\u00fcber hinaus einen gro\u00dfen Wert zu schaffen!<\/p>\n Die n\u00e4chsten Schritte werden diese gro\u00dfen Arbeitsbereiche betreffen:<\/p>\n<\/div> Modellversuche<\/strong>: Bislang haben wir nur mit APIs oder vortrainierten Modellen experimentiert, aber in Zukunft w\u00e4re es interessant, ein dataset von Bildern\/Videos zu erstellen, die von den Kamerafallen gesammelt wurden. Beschriften Sie diese, entweder manuell oder mit dem System, das wir gerade vorgestellt haben, und trainieren Sie damit eigene Computer Vision Modelle, um eine h\u00f6here Genauigkeit zu erreichen.<\/p>\n<\/div>\n<\/div><\/li> Implementierung von Anwendungsf\u00e4llen<\/strong>: Da wir bereits \u00fcber eine vollautomatische L\u00f6sung verf\u00fcgen, k\u00f6nnen wir uns st\u00e4rker auf die Entwicklung gezielter Anwendungsf\u00e4lle konzentrieren, also wirklich dar\u00fcber nachdenken, wie wir die abgerufenen Informationen nutzen k\u00f6nnen, um etwas zu bewirken und den Rangern und allen Freiwilligen beim Schutz der Tierwelt in den Parks zu helfen.<\/p>\n<\/div>\n<\/div><\/li> Edge AI<\/strong>: Im Moment ist die Ausf\u00fchrungsgeschwindigkeit unserer Vorhersageschleife f\u00fcr unseren Anwendungsfall zufriedenstellend (ein paar Minuten). Wir haben noch Verbesserungsm\u00f6glichkeiten, um einer Echtzeitl\u00f6sung n\u00e4her zu kommen. Edge AI, mit einem Modell, das n\u00e4her an der eigentlichen Kamerafallen-Hardware installiert ist und l\u00e4uft, ist eine Option, die helfen w\u00fcrde, Roundtrips zum cloud zu vermeiden.<\/p>\n<\/div>\n In diesem ersten Artikel haben wir besprochen, wie wir unsere vollautomatische, skalierbare Pipeline in Google Cloud aufgebaut haben, die es uns erm\u00f6glicht, Medien aufzunehmen und mithilfe von Machine Learning-APIs Erkenntnisse aus ihnen zu gewinnen. Sie bietet eine solide, einfache und schnell zu implementierende Grundlage f\u00fcr jede Art von Projekt, das den Medienkonsum und die Verwendung von maschinellem Lernen zur Gewinnung von Erkenntnissen aus diesen Medien beinhaltet.<\/p>\n Vielen Dank f\u00fcrs Lesen und bis zum n\u00e4chsten Mal im n\u00e4chste Artikel<\/a> der Serie, in der wir genauer erkl\u00e4ren werden, wie die vorgestellte Architektur effektiv mit den Kamerafallen verbunden ist, und in der wir die Web-App zur Verwaltung dieser Fallen vorstellen werden. Bleiben Sie also dran!<\/p>\n Besonderen Dank an Ma\u00ebl Deschamps f\u00fcr seine Hilfe bei der \u00dcberpr\u00fcfung des Inhalts dieses Beitrags und an Tim van Dam von Smart Parks f\u00fcr seine Unterst\u00fctzung bei diesem Projekt. Sie rocken!<\/em><\/p>\n<\/div><\/div><\/div><\/div><\/article>Kamera-Fallen<\/h2><\/div>
Google Cloud-Plattform<\/h2><\/div>
Der Arbeitsablauf<\/h2><\/div>
<\/span><\/div>Cloud Vision und Cloud Video Intelligence APIs<\/h2><\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2023\/02\/elephant2.gif\" "\\"Elefant2\\"")
Der Weg vor uns<\/h2><\/div>
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/03\/medium.png\" "\\"mittel\\"")
<\/span><\/div>