Uzgoj živine na bazi vještačke inteligencije: povećanje preciznosti sa sintetičkim podacima
Moderni uzgoj živine sve više uključuje tehnike dubokog učenja za automatizaciju zadataka kao što su otkrivanje ptica, brojanje životinja, analiza ponašanja i otkrivanje smrtnosti, s ciljem optimizacije proizvodnje i osiguravanja dobrobiti životinja. Iako ove tehnologije nude značajan potencijal za poboljšanje efikasnosti, održivosti i upravljanja resursima, njihova efikasna implementacija se suočava sa izazovima. Ključni među njima su promjenjivi uslovi u okruženju farme, nedostatak podataka za obuku robusnih modela i radno intenzivna priroda tradicionalnih praksi. Kako bi se odgovorilo na ove izazove, ova studija istražuje korišćenje kompjuterskog vida i generativne vještačke inteligencije (GenAI) za poboljšanje otkrivanja i praćenja životinja, omogućavajući preciznije i skalabilnije upravljanje farmama. Koristeći rješenja vođena vještačkom inteligencijom, farmeri mogu steći uvid na bazi podataka i automatizovati procese, smanjujući troškove i poboljšavajući produktivnost u modernom uzgoju živine. Ovi eksperimenti su bili sastavni dio doktorskog istraživanja mr Stevana Cakića i rezultiralo je publikacijom u naučnom časopipsu [link].
Rješenje
Ovo istraživanje uvodi rješenje koje kombinuje stvarne i sintetičke slike za obuku modela dubokog učenja za poboljšano praćenje pilića. Stvoren je hibridni skup podataka, spajajući stvarne slike sa farme peradi sa sintetičkim slikama koje je generirao model FLUX.1, kako bi se ublažila potreba za obimnim prikupljanjem podataka iz stvarnog svijeta. Model YOLOv9, odabran zbog svojih jakih performansi u zadacima otkrivanja objekata, obučen je na ovom skupu podataka za precizno otkrivanje pilića. Kako bi se pojednostavio proces pripreme skupa podataka, korišćene su automatizirane tehnike označavanja koje koriste Grounding DINO i SAM2 za označavanje slika, značajno smanjujući uobičajeni ručni rad.
Računarski zahtjevi za obuku modela dubokog učenja i generiranje sintetičkih podataka mogu biti značajni. U ovom kontekstu, računarstvo visokih performansi (HPC) igra ključnu ulogu. U ovoj studiji, A100 GPU-ovi su korišćeni za efikasnu obuku modela, a kasnije je korišćen Replicate za fino podešavanje FLUX.1 sa H100 GPU-ovima. Eksperimenti su migrirani na HPC resurse koji mogu ubrzati proces obuke, omogućavajući brže eksperimentisanje i optimizaciju modela. Nadalje, HPC može olakšati stvaranje većih sintetičkih skupova podataka i omogućiti obradu slika visoke rezolucije, što potencijalno dovodi do preciznijih i robusnijih AI rješenja za uzgoj živine. Ovo istraživanje je urađeno u kontekstu HPC4S3ME projekta [link] uz podršku NCC Montenegro (EuroCC2 i EuroCC4SEE).
Eksperimenti su pokazali da su modeli obučeni na balansiranoj kombinaciji stvarnih i sintetičkih slika postigli uporedivu točnost s onima obučeni na većim skupovima podataka samo u stvarnosti. Značajno je da je model obučen na mješavini od 300 stvarnih i 100 sintetičkih slika postigao srednju prosječnu preciznost (mAP) od 0,829.
Benefiti
Ovo istraživanje pokazuje nekoliko prednosti korištenja AI i sintetičkih podataka u razvoju rješenja za farme živine:
- Smanjena zavisnosti od prikupljenih podataka (datasets): Upotreba sintetičkih podataka smanjuje potrebu za opsežnim i skupim prikupljanjem slika iz stvarnog svijeta.
- Poboljšana generalizacija modela: Kombinovanje sintetičkih i stvarnih podataka poboljšava sposobnost modela da generalizuje u različitim uslovima, što dovodi do robusnijih performansi.
- Pojednostavljeno označavanje: Automatski alati za označavanje smanjuju ručni napor potreban za označavanje skupova podataka, štedeći vrijeme i resurse.
- Poboljšana efikasnost: praćenje vođeno umjetnom inteligencijom može automatizirati zadatke kao što su brojanje pilića, procjena rasta i otkrivanje smrtnosti, poboljšavajući ukupnu efikasnost i produktivnost farme.