CzechLynx: Ein Datensatz zur Identifizierung einzelner Tiere und zur Pose‑Schätzung des Eurasischen Luchses

Warum das für Wildtiere und Technik wichtig ist

Der Eurasische Luchs ist eine der scheuesten Großkatzen Europas und durchstreift große Waldlandschaften in sehr geringer Dichte. Nachzuverfolgen, wie viele Luchse es gibt, wo sie sich bewegen und wie sich ihre Bestände im Laufe der Zeit verändern, ist für den Naturschutz entscheidend – doch das Durchsehen von Hunderttausenden Wildkamera‑Bildern von Hand ist langsam und fehleranfällig. Dieses Paper stellt CzechLynx vor, eine große, offen zugängliche Sammlung von Luchsaufnahmen, die nicht nur für Biologen, sondern auch für Informatiker gedacht ist, die Bildanalysewerkzeuge entwickeln. Indem die Wildtierüberwachung mit moderner Künstlicher Intelligenz verknüpft wird, soll der Datensatz den Schutz dieser schwer fassbaren Räuber deutlich erleichtern.

Ein langer Blick auf scheue Katzen in wilden Wäldern

CzechLynx vereint 39.760 Fotografien von Eurasischen Luchsen, die über mehr als 15 Jahre hinweg mit Wildkameras in zwei mitteleuropäischen Regionen aufgenommen wurden: Südwestböhmen und die Westkarpaten. Es handelt sich um raues, überwiegend bewaldetes Gelände, in dem Luchse in sehr geringer Dichte leben und sich über viele Hundert Quadratkilometer bewegen können. Naturschutzorganisationen und Parkbehörden platzierten Kameras entlang von Forstwegen, Wildwechseln und Markierungsstellen, oft in systematischen Gittern, um eine breite Abdeckung zu gewährleisten. Jedes Bild im Datensatz wurde sorgfältig geprüft: leere Bilder sowie Aufnahmen mit Menschen oder Fahrzeugen wurden entfernt, anschließend bestimmten Expertenteams anhand der einzigartigen Fellmuster, welches Individuum auf jedem Foto zu sehen ist.

Bereinigen, auswählen und annotieren der Bilder

Viele Kameras zeichneten kurze Videoclips statt einzelner Fotos auf, was eine große Menge nahezu identischer Frames erzeugen konnte. Um den Datensatz überschaubar und informativ zu halten, nutzten die Autorinnen und Autoren einen automatischen Detektor, um die Frames zu finden, in denen ein Tier klar zu sehen war, und wählten dann pro Begegnung höchstens drei repräsentative Bilder aus. Diese ausgewählten Aufnahmen bevorzugen Ganzkörper‑, Seitenansichten, in denen die Fleckenmuster sichtbar sind und das Tier nah genug für feine Details ist. Menschliche Annotatorinnen und Annotatoren fügten dann mehrere Informationsebenen hinzu: präzise Umrisse jedes Luchskörpers, bis zu 20 Keypoints, die Gelenke und Gesichtsmerkmale markieren, sowie beschreibende Tags wie die sichtbare Körperseite. Semi‑automatische Werkzeuge – moderne Segmentierungs‑ und Pose‑Schätzungsmodelle – dienten als Entwurf dieser Labels, die anschließend von Menschen überprüft und verfeinert wurden.

Ein digitales Ebenbild des Luchses erstellen

Reale Wildkamera‑Daten sind zwar reichhaltig, haben aber Grenzen: seltene Posen, ungewöhnliche Beleuchtung und bestimmte Fellmuster treten nicht oft genug auf, um fortgeschrittene Algorithmen vollständig zu trainieren und zu testen. Um diese Lücken zu schließen, erzeugte das Team eine synthetische Ergänzung zu den realen Bildern. Mit der Unity‑Engine platzierten sie ein detailliertes 3D‑Luchsmodell in photorealistischen virtuellen Waldszenen, die von tatsächlichen Kamerastandorten inspiriert waren. Das virtuelle Tier bewegt sich auf Pfaden durch diese Szenen, hält an zufälligen Punkten an und wird aus verschiedenen Kamerawinkeln bei variierenden Licht‑ und Wetterbedingungen betrachtet. Um viele unterschiedliche Individuen zu simulieren, generierten die Forschenden Hunderte verschiedener Felltexturen mithilfe eines textgesteuerten Bildsyntheseverfahrens und erzeugten so eine große Bandbreite natürlich wirkender Flecken‑ und Streifenmuster. Jedes gerenderte Bild liefert automatisch perfekte Informationen über Umriss, Skelett und Identität des Luchses.

Computer Vision unter realen Bedingungen testen

Der Datensatz ist um drei zentrale Aufgaben herum organisiert: einzelne Luchse auseinanderzuhalten, ihre Körperpose zu schätzen und sie vom Hintergrund zu trennen. Eine einheitliche Metadaten‑Tabelle verknüpft jedes Bild mit Identität, Zeit und Ort, Blickwinkel und aufgabenspezifischen Aufteilungen. Um realistische naturschutzbezogene Herausforderungen nachzubilden, definieren die Autorinnen und Autoren mehrere Evaluierungs‑Schemata. In einer „geo‑bewussten“ Einstellung werden Modelle in einer Region trainiert und in einer anderen getestet, um zu prüfen, wie gut sie auf neue Landschaften übertragbar sind. In „zeitbewussten“ Einstellungen sind Trainings‑ und Testbilder nach Jahreszeiten und Jahren getrennt, sodass Algorithmen mit alternden Tieren, sich änderndem Erscheinungsbild oder neu auftauchenden Individuen zurechtkommen müssen. Diese sorgfältig gestalteten Splits helfen, subtile Datenlecks zu vermeiden und bieten eine harte, realistische Benchmark für zukünftige Methoden.

Was das für den Luchs‑Schutz bedeutet

Kernpunkt von CzechLynx ist, jahrelange mühsame Feldarbeit in eine gemeinsame Ressource für die breite Forschungscommunity zu verwandeln. Durch das Kombinieren von fachkundig verifizierten realen Fotos mit lebensechten synthetischen Bildern und detaillierten Annotationen bietet der Datensatz Computer‑Vision‑Systemen alles, was sie brauchen, um zu lernen, wie man Luchse erkennt, verfolgt und einzelne Tiere über lange Zeiträume und über große Entfernungen identifiziert. Für Naturschützerinnen und Naturschützer könnten zuverlässigere automatisierte Werkzeuge schnellere Informationen zu Bestandsgröße, Überleben und Bewegung liefern – allesamt entscheidend, um Probleme früh zu erkennen, Schutzmaßnahmen gezielt einzusetzen und die langfristige Erholung einer der ikonischen Wildkatzen Europas zu unterstützen.

Zitation: Picek, L., Straka, J., Jirik, M. et al. CzechLynx: A Dataset for Individual Identification and Pose Estimation of the Eurasian Lynx. Sci Data 13, 511 (2026). https://doi.org/10.1038/s41597-026-06853-9

Schlüsselwörter: Eurasischer Luchs, Wildkameras, Wildtierüberwachung, Computer Vision, synthetische Daten