Hund und Pferd

Ein Foto genügt: Du lässt ein Modell die Stimmung eines Tieres raten — und stellst deine eigene Einschätzung dagegen. Der spannendste Teil ist, wo die beiden auseinandergehen.

Worum es geht

Ein Hund kann dir nicht sagen, dass er sich fürchtet. Aber sein Körper sagt es laut und deutlich: die eingezogene Rute, die geduckte Haltung, die zurückgelegten Ohren. Genau das haben wir mit meinem Team ausgenutzt und aus einem einzigen Foto die Stimmung eines Hundes bestimmt — mit einer Trefferquote von 60 bis 70 Prozent. Das klingt bescheiden, übertrifft aber, wie Studien zeigen, die meisten Menschen. Bei Pferden lesen wir vor allem Ohren, Augen und Maul; auch dort liegt das Modell bei rund zwei von drei.

Diese Forschungsmodelle sind aufwändig trainiert. Für dich nehmen wir einen anderen, ebenso ehrlichen Weg: ein bereits fertiges Modell, das Bilder und Sprache verbindet, CLIP. Man hält ihm ein Foto und ein paar Beschreibungen hin — „ein ängstlicher Hund“, „ein entspannter Hund“ — und es sagt, welche Beschreibung am besten passt. Du trainierst nichts; du fragst nur und schaust kritisch auf die Antwort.

Ein bisschen Hintergrund

Ein gemeinsames Gefühlsalphabet. Womit beschriften wir die Gefühle eines Tieres überhaupt? Das Buch greift auf eine Ordnung des Neuropsychologen Jaak Panksepp zurück, der bei allen Säugetieren einige Grundgefühle ausmachte — Erkunden, Spielen, Zuneigung, Angst, Wut, Trauer. Das Schöne: Es ist dasselbe Alphabet für Hund, Pferd und im Kern auch für uns. Für Pferde kommt „Schmerz“ als besonders wichtiges achtes Gefühl hinzu.

Wohin die KI schaut. Die Forschungsmodelle nutzen genau die Stellen, an denen auch wir lesen: beim Pferd Ohren, Augen und Maul, beim Hund die ganze Haltung samt Rute. Als man ein Modell die Tierbilder einmal ganz ohne Etiketten sortieren liess, bildete es sogar Gruppen, die in keine unserer Schubladen passten — vielleicht ein Hinweis auf feinere Tiergefühle, für die uns die Wörter fehlen.

Fotografieren und selbst einschätzen

1. Pakete installieren. pip install transformers torch pillow.
2. Fotos sammeln. Fünf bis acht Bilder desselben Tieres in klar verschiedenen Situationen: aufmerksam, entspannt, spielend, vielleicht ängstlich. Frontal, gutes Licht, Gesicht und Haltung sichtbar.
3. Zuerst du. Notiere zu jedem Bild vor dem Programm deine eigene Einschätzung aus dem Gefühlsalphabet. Das ist wichtig — sonst richtest du dich unbewusst nach der Maschine.
4. Dann das Modell. Lass CLIP raten und leg die beiden Urteile nebeneinander.

Das Modell fragen

CLIP versteht Englisch am besten, darum sind die Beschreibungen englisch — die Anzeige bleibt deutsch. Der vollständige Code liegt auf GitHub.

from transformers import CLIPModel, CLIPProcessor
from PIL import Image
import torch

modell    = CLIPModel.from_pretrained("openai/clip-vit-base-patch32")
prozessor = CLIPProcessor.from_pretrained("openai/clip-vit-base-patch32")

# Panksepp-Alphabet: deutsches Etikett -> englische Beschreibung fuer CLIP
gefuehle = {
    "Freude / Spielen": "a happy, playful dog",
    "Zuneigung":        "a relaxed, affectionate dog",
    "Erkunden":         "an alert, curious dog exploring",
    "Angst":            "a frightened, anxious dog",
    "Wut":              "an angry, aggressive dog",
    "Entspannung":      "a calm, resting dog",
}
etiketten = list(gefuehle)
prompts   = list(gefuehle.values())

def rate(bilddatei):
    bild = Image.open(bilddatei).convert("RGB")
    eingabe = prozessor(text=prompts, images=bild, return_tensors="pt", padding=True)
    with torch.no_grad():
        logits = modell(**eingabe).logits_per_image[0]
    wahrsch = logits.softmax(dim=0)             # Beschreibungen -> Wahrscheinlichkeiten
    beste = int(wahrsch.argmax())
    return etiketten[beste], float(wahrsch[beste])

for datei in ["hund1.jpg", "hund2.jpg", "hund3.jpg"]:
    label, sicherheit = rate(datei)
    print(f"{datei}:  Modell rät {label}  ({sicherheit:.0%} sicher)")

Für Pferde

Tausche im Code den Tiernamen und ergänze das achte Gefühl. Bei Pferden zählt der Schmerz besonders:

gefuehle = {
    "Aufmerksam":   "an alert, attentive horse with ears forward",
    "Entspannt":    "a calm, relaxed horse",
    "Angst":        "a frightened horse with ears back and wide eyes",
    "Erregung":     "an agitated, stressed horse",
    "Schmerz":      "a horse in pain, with tense face and eyes",
}

Pferde lesen übrigens auch uns — oft feiner, als wir sie lesen. Behalte das im Hinterkopf, wenn du gleich über die Grenzen der Maschine nachdenkst.

Arbeitsblatt

Wenn's klemmt

Zum Nachdenken

• Reine Inferenz ist mächtig: Ein fertiges Modell wird zum Werkzeug, ohne dass du eine einzige Zeile trainierst. Aber „benutzen können“ heisst nicht „blind vertrauen“ — die kritische Frage bleibt deine Aufgabe.
• Der tierische Babelfisch ist ein Hilfsmittel, kein Orakel. Ein wedelnder Schwanz ist nicht immer Freude, und ein Modell, das an einer Rasse gelernt hat, liest eine andere schlechter.
• Der Zweck entscheidet: Zum Wohl des Tieres gelesen — um früh Schmerz oder Dauerstress zu bemerken — ist so ein Leser Fürsorge. Zur Ausbeutung eingesetzt, ist er das Gegenteil.

Erweiterung — selbst trainieren (weiterführend)

Bisher hast du das Modell nur gefragt. Jetzt trainierst du eines selbst — an echten Daten, wie in der Forschung. Auf Kaggle liegt der Datensatz Pet's Facial Expression (kaggle.com/datasets/anshtanwar/pets-facial-expression-dataset) mit Gesichtern von Hunden, Pferden und Katzen, etikettiert nach happy, sad und angry. Statt eines schweren Bild-Netzes nutzt du einen leichten Trick: CLIP liefert für jedes Bild einen Zahlen-Vektor — seine „Sicht“ des Bildes —, und darauf lernt, genau wie bei der Katze in 12.1, ein einfaches KNN.

import glob, os, numpy as np, torch
from PIL import Image
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

def bildvektor(datei):
    bild = Image.open(datei).convert("RGB")
    eingabe = prozessor(images=bild, return_tensors="pt")
    with torch.no_grad():
        return modell.get_image_features(**eingabe)[0].numpy()   # CLIPs Sicht des Bildes

# Ordner je Gefuehl (happy/ sad/ angry/) - Ordnername = Etikett
ORDNER = "pets-facial-expression"
X, y = [], []
for pfad in glob.glob(os.path.join(ORDNER, "**", "*.jpg"), recursive=True):
    gefuehl = os.path.basename(os.path.dirname(pfad))
    X.append(bildvektor(pfad)); y.append(gefuehl)
X = np.array(X)
print("gelesen:", len(X), "Bilder")

Xtr, Xte, ytr, yte = train_test_split(X, y, test_size=0.25,
                                      random_state=0, stratify=y)
eigenes = KNeighborsClassifier(n_neighbors=5).fit(Xtr, ytr)
print("Treffer auf ungesehenen Bildern:", round(eigenes.score(Xte, yte), 2))

Vergleiche: Trifft dein selbst trainiertes KNN besser als CLIPs blindes Raten aus dem Hauptteil? Und wie verändert sich das Bild, wenn du nur Hunde oder nur Pferde nimmst?

• Wohin schaut das Modell? Mit einer „Wärmekarte“ (Grad-CAM) lässt sich zeigen, welche Bildstellen die Entscheidung tragen. Prüfe: Schaut es wie die Forschungsmodelle auf Ohren, Augen und Maul — oder auf den Hintergrund?
• Mensch und Tier zugleich. Fotografiere Tier und Mensch in einer Szene. Stimmt die Stimmung des einen mit der des anderen? Das ist der erste Schritt zum Lesen des Zusammenspiels — und die Brücke zu den Pflanzen im nächsten Teil.