De siste årene har ubemannede flyvende fartøy hatt en stor vekst innen mange forskjellige fagområder, fra inspeksjoner på strømnettet til overvåking av vilt. Et av disse feltene innebærer å lokalisere sau på beite, spesifikt i forbindelse med innsankning nær slutten av beiteperioden. Hovedfokuset i denne oppgaven er å undersøke i hvilken grad YOLOv3 (You One Look Once), en enkelt-stegs objektgjennfinnings-algoritme, er i stand til å lokalisere sau i drone-bilder. Ytterligere mål involverer å undersøke hvordan noen endringer i network påvirker ytelsen. Den første endringen består i å endre hvordan nettverket klassifiserer et funn; nettverket kan enten forsøke å lokalisere og detektere sau som en kategori, eller prøve å separere forskjellig fargede sau som svarte, hvite eller brune. Resterende endringer består av å endre oppløsning, og variere terskelen for hvor sikker nettverket skal være i et funn for at det skal klassifiseres som en sau. YOLOv3 ble implementert gjennom en populær variant av Darknet, et rammeverk for nevrale nettverk med åpen kildekode. Å finne så mange sau som mulig var regnet som det viktigste målet, og dette ble oppnåd ved å gjennfinne sau som en overordnet kategori, med en oppløsning på 832x832 piksler, og en terskel på 0.1. 12 av 1650 sau i testsettet ble ikke funnet, noe som resulterte i en gjennfinningsrate på over 99%. Det er dog noe usikkert i hvor anvendeling nettverket er på dette stadiet; alle bilder er av sau på inngjerdet beite med liten varians i lys og datasettet består av rundt 84% hvite sau. I tillegg har den lave terskelen for gjennfinning ført til usikkerhet knyttet til antall funn per sau. Videre arbeid burde forsøke å anvende betraktelig mer og varierende data for å øke anvendeligheten.