一年前，SpeciesNet这款使用AI自动识别相机陷阱图像中物种的工具实现了开源。如今，越来越多的人正在使用这款由谷歌开发的工具来推进研究和保护工作。
运动触发相机，也称为"相机陷阱"，正在为从房主到公园管理者的所有人提供前所未有的本地野生动物观察视角。虽然好奇的后院用户可能能够用肉眼识别小动物，但更大规模的项目现在正在收集成千上万甚至数百万张野生动物图像，如果手动识别可能需要数十年时间。
如今，越来越多的人正在使用AI通过SpeciesNet识别图像中的动物。这款由谷歌开发的AI模型可以对相机陷阱图像中的近2500种动物类别进行分类，这要归功于保护合作伙伴提供的6500万张标注图像来训练模型。SpeciesNet最初是在线平台Wildlife Insights的一部分，一年前我们将其作为开源工具发布，供其他人下载、调整和改进。
在过去的12个月里，世界各地的研究团队使用开源SpeciesNet模型在哥伦比亚发现美洲狮和虎猫，在爱达荷州发现麋鹿和黑熊，在澳大利亚发现鹤鸵和麝香袋鼠，在坦桑尼亚塞伦盖蒂国家公园发现狮子和大象。这个AI模型让更多人能够提出关于野生动物模式和保护的更广泛问题。
SpeciesNet是Google Earth AI的一部分，这是一个地理空间工具、数据集和AI模型的集合，用于深度行星智能。Earth AI赋能社区和非营利组织解决地球上一些最紧迫的需求。
相机陷阱如何工作
如今，几乎所有有效的野生动物监测都依赖于运动触发的野生动物相机陷阱。相机通常安装在树上。在大多数情况下，散热体的运动会触发几秒钟的图像拍摄。日益实惠的技术让项目能够部署数十甚至数百台相机，产生大量数据。
SpeciesNet利用深度学习自动识别相机陷阱照片中存在的动物物种。这种自动化加速了研究，促进了更高效的数据分析，并最终支持更明智的管理和保护决策。
识别动物对于评估种群健康状况并及早发现任何变化非常重要；用于研究动物迁徙，特别是应对气候变化的迁徙；以及获得基于证据的种群规模测量来管理这些种群。发现稀有或濒危物种对于理解和保护受威胁种群也至关重要。
SpeciesNet的工作原理
SpeciesNet是一个全球规模的模型，可以分类2498个类别，包括哺乳动物、鸟类和爬行动物。SpeciesNet与另一个开源模型MegaDetector协同工作，以确定哪些图像以及这些图像中的哪些像素包含动物。SpeciesNet为它识别的每只动物生成物种名称和置信度水平，包括单张图像中同一物种或不同物种的多只动物。SpeciesNet可以在标准笔记本电脑上每天处理约30000张图像，或在低端游戏GPU上每天处理250000张或更多图像。
自2019年以来，SpeciesNet一直在基于谷歌云的Wildlife Insights平台上运行。Wildlife Insights是一个社区平台，托管约2亿张带有人工验证标签的图像。SpeciesNet帮助Wildlife Insights用户标记他们的图像；任何经过人工验证的标记图像反过来都可以为SpeciesNet提供训练数据。
SpeciesNet在超过6500万张图像的数据集上进行训练，包括来自Wildlife Insights用户社区的精选图像，以及来自公开可用存储库的标记图像。该模型使用卷积神经网络在不同的光照、角度和与拍摄对象距离的条件下，尽可能将动物识别到物种级别。这个广泛的训练数据集使SpeciesNet模型能够在相机陷阱项目的保留测试集上找到99.4%包含动物的图像。83%的情况下，它将动物分类到物种级别，其中94.5%的预测是正确的。有关模型训练数据、性能和评估的更多详细信息可以在我们2024年的出版物中找到。
SpeciesNet的实际应用
在过去的一年里，一些突出的项目包括：
爱达荷州鱼类和野生动物管理局使用数百个相机陷阱来监测物种，特别是在该州北部森林较多的地区。
哥伦比亚的Red Otus项目是一个全国性的相机陷阱网络，由多个大学和保护组织合作运营。该项目使用SpeciesNet来处理来自全国各地的图像，帮助监测从虎猫到美洲狮等物种。
澳大利亚野生动物观测站（WildObs）是已经训练开源版本SpeciesNet以识别当地重要物种的团体之一。他们专注于澳大利亚热带雨林中的物种，包括鹤鸵、麝香袋鼠和各种有袋动物。
坦桑尼亚塞伦盖蒂国家公园的Snapshot Serengeti项目是最大和最长期运行的相机陷阱项目之一。该项目使用SpeciesNet来处理数百万张图像，帮助研究人员了解塞伦盖蒂生态系统中的动物种群动态。
开源协作的未来
在将SpeciesNet作为开源资源发布时，我们的目标是促进协作并加速全球野生动物监测和保护的进展。GitHub存储库提供了运行和调整模型所需的代码、文档和资源的访问权限。我们鼓励社区继续为项目做出贡献，改进模型，并扩展其能力，就像开源工具的早期采用者所做的那样。
希望使用能够轻松快速运行SpeciesNet并帮助管理数据和与其他团体协作的平台的研究团体或个人，建议探索Wildlife Insights平台，这是一个用于生物多样性监测和管理的全球资源。
SpeciesNet代表了在自动化和加速野生动物图像分析方面向前迈出的重要一步，从狒狒到袋鼠。我们的目标是支持AI模型的开发，这是一项持续的协作努力，旨在理解和保护全球生物多样性。
感谢所有为Wildlife Insights做出贡献并使SpeciesNet成为可能的科学家。特别感谢领导SpeciesNet训练的Tomer Gadot和Stefan Istrate。有关使用SpeciesNet问题的项目可以联系cameratraps@google.com。
Q&A
Q1：SpeciesNet是什么？它能识别多少种动物？
A：SpeciesNet是由谷歌开发的AI模型，用于自动识别相机陷阱图像中的野生动物物种。它可以对近2500种动物类别进行分类，包括哺乳动物、鸟类和爬行动物。该模型在超过6500万张标注图像上进行训练，能够在99.4%的情况下找到包含动物的图像，并在83%的情况下将动物分类到物种级别。
Q2：SpeciesNet的处理速度有多快？
A：SpeciesNet的处理速度取决于使用的硬件设备。在标准笔记本电脑上，它可以每天处理约30000张图像。如果使用低端游戏GPU，处理速度可以提升到每天250000张或更多图像。这种自动化处理能力大大加速了野生动物图像的分析工作，原本可能需要数十年手动完成的工作现在可以在短时间内完成。
Q3：如何使用SpeciesNet进行野生动物监测？
A：SpeciesNet已经作为开源工具发布在GitHub上，研究人员可以下载代码、文档和资源来运行和调整模型。对于希望使用更便捷平台的用户，可以使用Wildlife Insights平台，这是一个基于谷歌云的全球性社区平台，能够轻松运行SpeciesNet并帮助管理数据和协作。该平台托管约2亿张带有人工验证标签的图像。
配先查配资提示：文章来自网络，不代表本站观点。