Senior Data Scientist

Heutzutage verwenden Geflügelzüchter KI-gestützte computergestützte Bildverarbeitungssysteme zur Beurteilung von Hühnern, um Verluste zu minimieren
und die Rentabilität zu erhöhen. Ein systematischer und umfassender Vergleich der kommerziell erhältlichen Systeme
wird jedoch nur selten durchgeführt. In diesem Sinne haben wir eine Hühnererkennungspipeline vorgeschlagen, die ein modernes
YOLO v11 Modell verwendet. Wir verwenden 20 manuell beschriftete Bilder mit 2.080 Hühnern in einer käfigfreien Umgebung, um
zu trainieren und zu bewerten. Das Modell wurde mit der Metrik mAP@0.5 bewertet, die die Erkennungsleistung
auf der Grundlage von Intersection-over-Union (IoU) berechnet. Das Modell erreichte eine beeindruckende Mittelwert-Präzision (mAP@0.5)
von 0,871, was eine starke Fähigkeit zur Erkennung von Hühnern belegt.
Insgesamt bestätigt die Studie, dass unsere Pipeline eine hocheffektive Lösung für die Erkennung von Hühnern in kommerziellen
Geflügelumgebungen ist, mit Potenzial für weitere Verfeinerungen zur Minimierung von Fehlklassifikationen. Die Ergebnisse zeigen
hohe Genauigkeit, starke Lernfähigkeit und ein optimales Gleichgewicht zwischen Präzision und Wiedererkennung. Eine weitere Verfeinerung
des Modells könnte jedoch die Klassifizierungszuverlässigkeit verbessern und die Zahl der falsch-positiven und falsch-negativen Ergebnisse verringern. Unser zukünftiges Ziel
ist es, die Leistung dieses Systems mit kommerziell erhältlichen Alternativen zu vergleichen.
Schlüsselwörter: Erkennung von Hühnern, Computer-Vision, YOLO v11

Der Schmerzerkennung bei Kühen wurde in der Forschung bisher nur wenig
Aufmerksamkeit geschenkt. Um dieses Problem anzugehen, haben wir die Ver-
wendung verschiedener DL-Modelle zur Erkennung von Schmerzen bei Kühen an-
hand des CattleCareDatensatzes geprüft. Wir haben einen kombinierten Ansatz aus
efficient_v2-Modell und Feature Embedding-Modell vorgeschlagen, um dieses Prob-
lem zu lösen. Wir haben neun Modelle trainiert, darunter resnet, efficient_v2 und vit,
sowohl als eigenständige Modelle als auch in Kombination mit Feature Embedding-
Komponenten wie Autocoder und vae-Modelle. Unter diesen Modellen zeigte das
efficient_v2_vae-Modell in den meisten Metriken (Verlust, F1-Score-gewichtet, F1-
Score-Makro, MCC, AUC) eine überlegene Leistung und bot Stabilität und Zuverläs-
sigkeit bei der Schmerzerkennung. Im Testdatensatz erreichte es einen F1-Score
(gewichtet) von 0,8411 ± 0,0152 und einen AUC von 0,8693 ± 0,0272. Modelle,
die die vae-Komponente enthalten, wie efficient_v2_vae und resnet_vae, übertrafen
ihre eigenständigen Gegenstücke, was die Effektivität von vae bei der Erfassung
von schmerzbezogenen visuellen Merkmalen unterstreicht. Faltungsbasierte Mod-
elle erwiesen sich als geeigneter für diese Klassifizierungsaufgabe im Vergleich zu
transformatorbasierten Modellen wie vit, die bei der Anwendung auf diesen kleineren
Datensatz Grenzen aufwiesen.
Zur weiteren Validierung der Modellleistung haben wir einen statistischen Bayes-
Vergleich mit korrelierten t-Tests, MBM- und MvBM-Modellen durchgeführt. Zwar er-
wies sich kein Modellpaar in allen Metriken als praktisch gleichwertig, doch zeigten
vit_vae und resnet_ae in einer einzigen Metrik (AUC) Gleichwertigkeit. Diese Erken-
ntnisse unterstreichen die Bedeutung einer robusten Modellauswahl für diesen Bere-
ich.
Zu den praktischen Auswirkungen der Studie gehören die Unterstützung von
Tierkliniken bei der Schmerzvorhersage, die erhebliche Verkürzung der Zeit, die
Tierärzte für die Diagnose benötigen, und die Ermöglichung eines frühzeitigen Ein-
greifens zur Verbesserung der Heilungsergebnisse. Es ist uns gelungen, eine web-
basierte Anwendung zu entwickeln, die es Stackholdern ermöglicht, Bilder oder
Videos von Kühen hochzuladen und Schmerzvorhersagen mit erklärenden Erken-
ntnissen zu erhalten. Dieses Tool verbessert die tierärztliche Diagnostik, unterstützt
Tierärzte durch die Automatisierung von Beurteilungen, fördert das Wohlergehen der
Tiere und erweitert den Zugang zu künstlicher Intelligenz für Milchbauern.
Zukünftige Forschungen können auf dieser Grundlage aufbauen, indem sie sich mit
Fehlklassifizierungen, der Verbesserung der Bildqualität und der Erweiterung von
Datensätzen befassen. Eine Ausweitung dieser Arbeit auf videobasierte Datensätze
könnte räumlich-zeitliche Informationen für die Schmerzerkennung in Milchviehbe-
trieben in Echtzeit nutzen. Diese Integration von Technologie und Veterinärmedizin
bietet ein transformatives Potenzial für die Verbesserung der Tierpflege und des Tier-
managements.

Purpose - This study investigates the effect of fine-tuning on model training, and the impact of model
training on the environment in terms of carbon footprint emissions. As language modeling evolves,
we are obtaining complex and large models with a large number of trained parameters. However,
only large enterprises are able to train these large models using large datasets. It is not possible for
small and mid-size enterprises due to their computation resources capability. This study proposes a
fine-tuning model training pipeline for such enterprises to get the same model capability as large
enterprises with less number of model parameters training using SQuAD benchmark. The pre-
trained BERT base model is incorporated in combination with fine-tuning methods in this study.
Findings - The results explain us that fine-tuned models need less computation time and less number
of trainable parameters without losing too much model capabilities compared to the fully trained
model, which indirectly helps us to protect the environment as it emits less carbon footprints.
Keywords: LLMs; PEFT; Fine Tuning, Carbon footprints; BERT; SQuAD