「熊出沒注意！」：結合 YOLOv8 的台灣黑熊即時預警系統設計【艾鍗學院學員專題 】
- 2. Agenda • 專案動機 / 目標 • 系統功能 • 模型開發 • 網站架構及成果 展示 • 挑戰與學習 組員 : 石偉真 蕭智元 鄭雅惠 韓若楹 蘇桑奇 林嘉慧 林乃頌 曹惟萌 林乃頌 曹惟萌 韓若楹 報告人
- 3. Agenda • 專案動機 / 目標 • 系統功能 • 模型開發 • 網站架構及成果 展示 • 挑戰與學習
- 4. 問題浮現人熊衝突悄悄升溫 - 根據林保署自 2011 年以來針對台灣黑熊的監測紀錄，自動相機入鏡率由 2018 年的 1.8% 激增至 2024 年的 8.9% ，黑熊族群的相對豐度（ＯＩ值）逐年上升。 1200 公尺以下的低海拔地區，發現黑熊的紀錄持續增 加，分布範圍也擴及更多鄉鎮。位於淺山的花蓮卓溪，更是黑熊出沒的熱點，今年 (2025) 以來，已有 6 起黑 熊滋擾的通報事件
- 5. 關於專題專案動機與目標
- 6. Agenda • 專案動機 / 目標 • 系統功能 • 模型開發 • 網站架構及成果 展示 • 挑戰與學習
- 7. 系統功能 允許使用者上傳影 片以進行分析 發出黑熊出沒 的訊息 統計資料呈現 影像辨識模型 以視覺化格式呈現 統計資料 使用 YOLO v8s 的演算 法 來辨識黑熊 影片上傳 通報系統 準確地辨識影片中 的黑熊 前後端系統 黑熊物件辨識 管理使用者互動和 資料處理 核心 應用
- 8. Agenda • 模型開發 ‐ 核心目標 ‐ 訓練素材蒐集 & 處理 ‐ 模型主幹 & 版本選擇 ‐ 效能評估 ‐ 未來方向
- 10. 模型訓練 & 測試素材 模型 AI 生成影片 ( 測試 用 ) 素材樣本來源 : 1. 農業部林業及自然保育 署臺東分署 2. 新聞畫面及紀錄片截圖 3. 國際級公開生物資料庫
- 12. 模型訓練迭代圖
- 13. 模型版本迭代 階段 動機 主要痛點 採取動作 反饋 A. 驗證概念 初步標註完 3k 圖 能不能判斷「有熊」？ 手刻 SimpleCNN Acc 0.84→ 很像可以 B. 拉高上限 想提高測試分數 sCNN 神經太淺 換 ResNet18 + Optuna Test 幾乎滿分 但實戰是瞎子 C. 換偵測模型 叢林物件多又雜 分類器做不到 上 YOLOv8n （少量資料） 能框， Precision 慘。 D. 加資料 + 換 v8s 資料 6 k → 13 k 熊太少 山豬多 Recall 低 上 v8s ；補 負樣本（山豬） F1 > 0.7 ；似乎可 MVP 。 E. 猛灌 資料 至 20 k 實戰仍漏熊 熊仍太少 山豬還是多 再補 Hard Neg 2.5 k 以 資料強化 增量 5 k YOLOv8n_0709 誕生。 F. 探索極端路線 想「更快 or 更準」 邊緣裝置部署 v.s. 深度模型精度 左走 v8Nano 、右走 v9c v8 Nano 假陽性多 v9c 過重＋實測失真。 G. 細調損失 / 重新配 比 仍是有誤判 實戰 F1-score 仍偏低 刪除無意義負樣本（棚拍、室內） 重標 Hard Negative ； 2.5k → 373 YOLO+Optuna 兩階段 超參搜索 YOLOv8s_0714 H. Hard Neg 過頭 想再降假陽性 山豬還是很多＋水鹿 3 k Recall 斷崖跳水 YOLOv8s_0715 鎩羽。
- 14. 模型版本表現 僅 供 參 考 每代模型訓練 都輕易跑出 F1-score ≈ 85 的美妙數字 全部模型 平均準確率 95.10% 平均召回率 91.00% 要到實戰測試才見真章
- 15. 模型訓練評估 以 YOLOv8s_0714 為例
- 16. ≈ 模型『真實』表現 模型版本 主幹 （ backbone ） Precision （測試 v.s. 實戰） Recall （測試 v.s. 實戰） 實戰 F1 週期數 （ epochs ） 訓練資料量 特色 優勢 劣勢 YOLOv8s_0709 YOLOv8s 92.00 ％ v.s. 60.21% 80.00% v.s. 50.56% 54.96 300 ~14000 新增夜視影像 新增山豬負樣本 測試達 MVP 標準 Precision > 90% Recall > 80% 需強化場景適應 需強化微調 後端調整閾值與補幀策略 YOLOv8n_0709 YOLOv8n 98.11% v.s. 49.58% 98.04% v.s. 66.07% 56.65 110 17800 線下資料強化： 夜視、熱顯像、銳化、 降噪、壓縮 訓練時間合理 （ 110 ≈ 次 5.5 小 時） 資料前處理大幅強 化泛化能力 強化的資料如比例失衡， 會讓模型學到歪掉的特 徵。 YOLOv8s_0715 YOLOv8s 96.65% v.s. 61.22% 73.81% v.s. 33.41% 43.23 440 ~17000 增加 3000 張山豬、山 羌、水鹿、獼猴、黑猩 猩、棕熊 ... 等負樣本 對最容易被認錯的 —— 動物 台灣山 豬，達成辨認免 疫。 負樣本沖淡黑熊特徵 Epochs 過高造成過擬合。 YOLOv8s_0714 YOLOv8s 83.96% v.s. 63.22% 94.01% v.s. 58.31% 60.67 130 15013 刪除無意義雜訊（屋 內、棚拍）及隨機「非 熊」 Hard Neg 增加 原汁原味「有熊」 圖片 YOLO 內建 + Optuna 二階段 自動超參數最優 化 目前最佳 F1-score 訓練耗時。 雙 GPU 全 程 100% 運轉， VRAM 90% 運用，兩階段搜索須 7+11 小時，正式訓練 7 小時，共 25 小時。 YOLOv9c_0715 YOLOv9c 95.96% v.s. 61.39% 92.11% v.s. 51% 55.72 110 20402 YLOv9 首次大樣本訓 練。 感覺更為客觀，泛 化能力有增強。 F1 仍偏低，偵測影像會 crash 。
- 17. 模型未來方向：資料｜模型｜算力 ➢ 資料 ○ 新聞 / 紀錄片影像＝影像已被特化處理、無意義雜訊多；與真實野外場景不符。 ○ 依 研究文獻（ domain knowledge ）調整「黑熊：非熊：無熊」及資料強化比例。 ○ 爭取林保署、黑熊保育協會真實野外影像；進行 領域適應（ Domain Adaptation ） ○ 標註升級： Bounding Box → Mask （多邊形）。 ➢ 模型 YOLOv8s 為基線＝成本 / 精度 / 部署平衡。 ○ 80+1 ： YOLO 內建 80 類 + → 「黑熊」 降誤判。 ○ 比較各 YOLO 版本，精度 / 大小 / 速度 之平衡。 ○ 逛 模型動物園（ Model Zoo ） 探索 EfficientDet 、 Fast R-CNN… 等潛力。 ○ 參考前人成果，進一步 收斂超參數範圍 → 強化客製模型。 ➢ 算力 Kaggle 免費提供每週 30h 、雙 T4 GPU ；但 Session 最長 12h 自動清掉資料。 ○ 非 YOLO 套件無法開啟 DDP （ Distributed Data Parallel ），雙卡效益受限。 ○ YOLO + Optuna 超參數優化需時約 45h ，難一次跑完。 未來可以： ○ 買張 NVIDIA 顯卡。或訂閱 Google Colab Pro+ 。 ○ 媒合「利嘉林道黑熊預警系統」或「花蓮卓溪黑熊預警系統」專案爭取資源挹注。
- 18. Agenda • 專案動機 / 目標 • 系統功能 • 模型開發 • 網站架構及成果 展示 • 挑戰與學習 網頁 Demo 操作 : https://www.youtube.com/watch?v=pTV8ZYRq_3E
- 19. 不動作 前端前台流程架構圖 手動匯入 黑熊 判讀 圖片 : 圖片 + 信心度 資料導入 執行影像模型 結果輸出 Yes No 預警發布 Telegram 圖片 影片 影片 : 只有文字警示
- 24. 模型預警系統優化 通報工具更換 LINE OA Telegram 🡪 • 在測試 LINE OA 預警系統穩定度階 段時，發現發送訊息的數量已瀕臨 上限 • 考量到發送訊息是否需要費用及更 換渠道之難易度等因素，將發送渠 道更換為 telegram
- 25. Agenda • 專案動機 / 目標 • 系統功能 • 模型開發 • 網站架構及成果 展示 • 挑戰與學習
- 26. 挑戰學習 • Vibe coding • 軟體開發流程 • React 框架 , Optuna 自動超參數優化 , PyTorch& TensorFlow, Flask • ChatGPT, Gemini CLI, Claude, Copilot, Manus, GAMMA, Napkin, MakeSenseAI, Vertex AI, VEO 3 • 提示詞工程 • 全端 API & Token 控管
- 27. 挑戰學習 • 團隊合作 ‐ 專案管理 ‐ 時程規劃 ‐ 衝突解決 信任尊重 互助合作 🡪 🡪 • 教 學 轉 應融 會 貫 通 🡪 • 大量自學 (GitHub, Hugging Face, Kaggle, Colab, CLI) • 資料來源取得困難 ( 政府機關 , NGO 團體 , 文獻資料 , 論文引用 ) • 善用資源 , 成本管理 ( 花費 $0) • 獲得農業部林保署台東分署合作機會
- 28. Thank You
- 29. Backup