Bewertung des Potenzials synthetischer Videogenerierung in der Schweinehaltung

Die Erstellung heterogener Datensätze stellt eine zentrale Herausforderung für die Entwicklung robuster Object-Detection-Modelle dar. Im Bereich der Nutztierhaltung kann beispielsweise die Konzeptionierung eines entsprechenden Bilddatensatzes zur Erkennung seltener und komplexer Verhaltensweisen einen hohen Zeit- und Personalaufwand darstellen. Da frei verfügbare Daten häufig nur eingeschränkt vorhanden sind, kann die Generierung synthetischer Videodaten eine vielversprechende Alternative darstellen, um kritische Trainingsdaten zielgerichtet zu ergänzen. Ziel dieser Studie ist es, das Potenzial der synthetischen Videogenerierung mithilfe des Text-zu-Video-Modells Sora zu untersuchen. Dazu wurden YOLOv11-Modelle sowohl auf Basis synthetischer als auch mit originalen Daten zur Erkennung und Lokalisation von Schweinen trainiert und vergleichend evaluiert. Die Ergebnisse zeigen, dass die Verwendung synthetischer Informationen eine solide Detektionsleistung bei gleichzeitig hoher Generalisierbarkeit ermöglichen. Zwar erzielen auf Originaldaten trainierte Modelle nach wie vor höhere Leistungswerte, allerdings lassen sich vorhandene Leistungsdefizite durch Erhöhung der Datengrundlage reduzieren. Diese Ergebnisse verdeutlichen das Potenzial synthetischer Daten als ergänzende Ressource für computerbasierte Bildverarbeitungstechnologien in der Nutztierhaltung.