Democratising Camera Trap AI: An Open-Source Model for Detecting UK Mammals

Resumen Técnico: Democratización de la IA para Cámaras Trampa

Planteamiento del Problema
Las cámaras trampa son un pilar fundamental de la monitorización de la biodiversidad, generando vastas cantidades de imágenes que a menudo exceden la capacidad de revisión manual. Si bien el aprendizaje profundo ha ofrecido una solución, el panorama actual presenta una barrera de entrada para muchos profesionales de la conservación. Los modelos de alto rendimiento existentes suelen estar bloqueados tras plataformas comerciales, requieren cuotas de suscripción o han sido entrenados con conjuntos de datos globales que no se alinean con faunas regionales específicas (como la del Reino Unido). Además, los modelos de propósito general suelen carecer de granularidad a nivel de especie o no están ajustados a las condiciones locales de captura de imagen. Esto crea una disparidad donde las organizaciones con abundantes recursos pueden acceder al análisis automatizado, mientras que las pequeñas ONG, las redes de ciencia ciudadana y las agencias estatales con fondos limitados enfrentan un "muro de pago" para acceder a una IA utilizable a nivel de especie, lo que dificulta su capacidad para cumplir con los objetivos estatutarios de biodiversidad (por ejemplo, la Ley de Medio Ambiente de 2021 del Reino Unido).

Metodología
Los autores desarrollaron un modelo de detección de objetos de código abierto diseñado específicamente para la biodiversidad del Reino Unido, utilizando la arquitectura YOLO26x (variante extra grande). El enfoque prioriza la curación de datos y el despliegue práctico sobre la novedad arquitectónica.

• Conjunto de Datos: El modelo fue entrenado con un conjunto de datos curado de 48.165 instancias etiquetadas extraídas de más de una década de despliegues operativos en múltiples sitios del Reino Unido. El conjunto de datos incluye 31 clases:
  • 28 clases de animales (18 especies de mamíferos, incluyendo domésticos y ganado; 10 especies de aves).
  • 2 clases de utilidad (Persona, Poste de Calibración).
  • 1 clase reservada (Coche, definida pero no poblada).
    El conjunto de datos abarca diversas condiciones: luz diurna RGB, infrarrojos nocturnos, desenfoque por movimiento, oclusión parcial y fotogramas con múltiples animales.
• División de Datos: El conjunto de datos se particionó mediante una división 80/10/10 estratificada por clase (Entrenamiento/Validación/Prueba). Esto asegura que cada clase, incluyendo las más raras como el polluelo de correlao (274 instancias) y el Poste de Calibración (151 instancias), esté representada en todas las divisiones.
• Configuración de Entrenamiento:
  • Hardware: 8 GPUs NVIDIA RTX A6000.
  • Hiperparámetros: Resolución de entrada 640×640, tamaño de lote global (batch size) 256, precisión mixta (AMP), 120 épocas.
  • Aumento de Datos (Augmentation): Aumento de mosaico (cerrado en la época 110), volteo horizontal (0.5), fluctuación de HSV (jitter), escala/traslación afín aleatoria, RandAugment y borrado aleatorio (random erasing).
  • Optimización: Programación de tasa de aprendizaje de coseno (desactivada), tasa de aprendizaje inicial 0.01, momentum 0.937, decaimiento de peso (weight decay) 0.0005.
• Formato de Salida: Los pesos entrenados fueron convertidos al formato ONNX para asegurar la independencia de la arquitectura y la compatibilidad con entornos de ejecución de inferencia de CPU/GPU (ONNX Runtime, OpenCV DNN, DirectML).

Contribuciones Clave

1. Lanzamiento de Modelo de Código Abierto: El artículo publica los pesos entrenados para un detector de mamíferos y aves del Reino Unido de 31 clases bajo una licencia Creative Commons CC BY-NC 4.0. Esto apunta explícitamente al uso no comercial para apoyar el trabajo de conservación, protegiendo al mismo tiempo la capacidad del proyecto para financiar desarrollos futuros a través de canales comerciales.
2. Herramientas Prácticas: Junto con los pesos, se incluyen utilidades de procesamiento para escritorio local y scripts de soporte para cámaras en tiempo real. Estas herramientas están diseñadas para ecólogos sin experiencia en aprendizaje automático, contando con tutoriales que guían a los usuarios desde la instalación hasta la exportación de resultados en formato CSV.
3. Especificidad Regional: A diferencia de los modelos globales (por ejemplo, SpeciesNet) que pueden sufrir confusión con congéneres no locales, este modelo está ajustado explícitamente para la fauna y las condiciones de imagen del Reino Unido, abordando la brecha de rendimiento "dentro de la distribución" (in-distribution) para los conservacionistas británicos.
4. Marco de Democratización: El lanzamiento se plantea como un contrapeso a la comercialización de la IA para la conservación, argumentando que las líneas base de alto rendimiento para la conservación no comercial deben ser de libre acceso.

Resultados
El modelo fue evaluado en un conjunto de validación retenido y en un conjunto de prueba separado, ambos extraídos del mismo grupo de datos que el de entrenamiento (evaluación in-distribution).

• Métricas Principales (Conjunto de Validación):
  • Precisión (Precision): 0.988
  • Sensibilidad (Recall): 0.965
  • mAP@0.5: 0.984
  • mAP@0.5:0.95: 0.956
  • Puntuación F1: 0.98 (en el umbral de confianza 0.62).
• Rendimiento por Clase: La confianza media por especie en el conjunto de prueba osciló entre 0.96 y 0.99 en todas las 31 clases. Incluso para las clases más pequeñas (ej. polluelo de correlao, Poste de Calibración), la confianza media se mantuvo por encima de 0.95.
• Modos de Fallo: La tasa de falsos negativos en el conjunto de prueba fue de 0.17%. Estos fallos se concentraron en condiciones difíciles: tomas nocturnas de larga distancia, oclusión severa y desenfoque de movimiento intenso. Notablemente, el modelo tiende a producir ninguna detección en lugar de una etiqueta incorrecta pero con alta confianza en estos escenarios, un modo de fallo "más seguro" para los flujos de trabajo de conservación.
• Dinámica de Entrenamiento: El modelo convergió limpiamente sin sobreajuste (overfitting); las pérdidas de validación se estabilizaron en lugar de aumentar. La mayor parte de las mejoras de rendimiento ocurrieron hacia la época 50, con las épocas posteriores refinando principalmente la precisión de localización (mAP@0.5:0.95).

Significancia y Reivindicaciones
El artículo posiciona este lanzamiento no como un avance metodológico en visión computacional (la arquitectura es de serie), sino como una contribución práctica a la infraestructura de la conservación.

• Accesibilidad: Los autores afirman que el lanzamiento permite a organizaciones con recursos limitados, sin personal de ML y sin acceso a GPU, ejecutar detección a nivel de especie de forma totalmente local y desconectada (offline) en ordenadores portátiles convencionales.
• Transparencia: Al publicar los pesos, los archivos de configuración y las especificaciones de los datos de entrenamiento, el modelo se vuelve inspeccionable y auditable, contrastando con las soluciones de software como servicio (SaaS) de "caja negra".
• Abordar la Brecha: El artículo sostiene que, aunque existen modelos globales, la falta de un detector de especies a nivel de especie, abierto y ajustado al Reino Unido, obliga a los profesionales a recurrir a servicios de pago. Este lanzamiento busca llenar ese vacío específico.
• Dirección Futura: Los autores reconocen que las métricas in-distribution no garantizan el rendimiento en sitios o modelos de cámara completamente nuevos. Identifican la creación de un benchmark de validación cruzada etiquetado como el siguiente paso crítico. El lanzamiento pretende ser el primero de una serie de modelos regionales, con un modelo para el África subsahariana actualmente en preparación.

El artículo concluye que el beneficio acumulado de tales lanzamientos abiertos es mayor para las regiones con alto riesgo de biodiversidad y menos recursos, que son las que menos capacidad tienen para absorber los muros de pago comerciales.