Computer Vision for Wildlife Monitoring: Detecting Brown Howler Monkeys using YOLO

Resumen Técnico: Visión Artificial para el Monitoreo de Vida Silvestre – Detección de Mono Aullador Marrón utilizando YOLO

Planteamiento del Problema
La expansión urbana y la fragmentación del hábitat representan amenazas críticas para las especies arbóreas, particularmente para el mono aullador marrón (Alouatta guariba), al aislar poblaciones y aumentar los riesgos de mortalidad por accidentes de tráfico y electrocución. Los puentes de dosel sirven como una estrategia de mitigación, pero su efectividad depende de un monitoreo continuo mediante cámaras trampa. Este proceso de revisión manual se ve obstaculizado por un volumen abrumador de datos, gran parte de los cuales consiste en falsos positivos provocados por la vegetación o el clima. Además, el desarrollo de modelos de visión artificial de alto rendimiento para esta tarea específica se ve limitado por el "cuello de botella de los datos": la escasez de conjuntos de datos extensos, anotados manualmente, necesarios para el entrenamiento.

Metodología
El estudio propone un enfoque híbrido para automatizar la detección de monos aulladores marrones en grabaciones de cámaras trampa, integrando datos del mundo real con datos sintéticos para superar la escasez de anotación.

• Conjunto de Datos Primario: Los autores utilizaron grabaciones de un estudio de campo a largo plazo en Porto Alegre, Brasil, que involucra 10 puentes de dosel de escala de cuerda. De 16,179 videos, se procesó un subconjunto seleccionado de 2,325 videos que contenían aulladores. Se muestrearon fotogramas a intervalos de 1 segundo para crear 10,508 imágenes únicas, las cuales fueron anotadas manualmente utilizando el VGG Image Annotator.
• Conjuntos de Datos Auxiliares: Para probar el impacto de la diversidad de entrenamiento, se incorporaron dos conjuntos de datos públicos: un "Conjunto de Datos de Detección Humana" y un "Conjunto de Datos de Primates No Humanos" (5,000 imágenes cada uno).
• Generación de Datos Sintéticos: Se creó un conjunto de datos sintético de 10,000 imágenes utilizando Unity y Blender. Se utilizó un modelo 3D de un mono aullador marrón, el cual fue texturizado y colocado en un entorno virtual de puente de dosel. El proceso de generación varió las condiciones de iluminación (usando 9 HDRIs y 3 configuraciones de postprocesamiento para día, nublado y noche) y los ángulos de cámara para simular la diversidad ambiental.
• Arquitectura del Modelo: El estudio ajustó (fine-tuned) el marco de detección de objetos YOLOv10.
• Diseño Experimental:
  • Experimentos de Imagen: El modelo fue entrenado con proporciones variables de datos primarios (aullador real) y datos auxiliares (humanos, primates no humanos, sintéticos). Los experimentos probaron combinaciones que iban desde el 100% de datos reales hasta el 100% de datos auxiliares, así como proporciones mixtas (por ejemplo, divisiones 50/50).
  • Triaje de Video: Para evaluar la utilidad del modelo para los conservacionistas, se diseñó un protocolo de clasificación de video. El modelo procesó 4 fotogramas por segundo de videos de 30 segundos. Un video se clasificó como "que contiene un aullador" si el recuento de detecciones positivas de fotogramas excedía un umbral específico (optimizado mediante la puntuación F1).
• Evaluación: El estudio empleó validación cruzada temporal para evitar la fuga de datos (data leakage), asegurando que los datos de entrenamiento precedieran cronológicamente a los de validación. El rendimiento se midió utilizando Precisión, Recall, puntuación F1 y Mean Average Precision en IoU 0.5 (mAP@0.5).

Resultados Clave

• Impacto de la Mezcla de Datos: El modelo de referencia entrenado con 5,000 imágenes reales logró una puntuación F1 de 0.808 y un mAP@0.5 de 0.805.
  • Superioridad de los Datos Sintéticos: Entre los conjuntos de datos auxiliares, los datos sintéticos produjeron las mejores mejoras de rendimiento. Un modelo entrenado con 2,500 imágenes reales y 2,500 sintéticas alcanzó una precisión de 0.889 (un aumento del 5% sobre la referencia), aunque con un ligero compromiso en el recall.
  • Entrenamiento Híbrido Óptimo: El mayor rendimiento general se logró entrenando con el conjunto de datos completo disponible: 10,508 imágenes reales combinadas con 10,000 imágenes sintéticas. Esta configuración resultó en una puntuación F1 de 0.859 y un mAP@0.5 de 0.873, superando al modelo entrenado con 10,000 imágenes reales por sí solo.
  • Límites de los Datos Auxiliares: El entrenamiento exclusivamente con datos auxiliares (por ejemplo, solo sintéticos o solo primates no humanos) resultó en una degradación severa del rendimiento, confirmando que los datos sintéticos complementan pero no reemplazan totalmente a los datos reales.
• Desempeño del Triaje de Video: Utilizando un umbral de 24 fotogramas positivos por video, el sistema logró una puntuación F1 de 0.762 para la clasificación de video, con un recall de 0.838. Esto indica que el sistema retuvo exitosamente aproximadamente el 84% de los videos que contenían aulladores mientras filtraba los negativos.
• Análisis de Fallos: Los falsos negativos estuvieron asociados principalmente con videos que contenían un solo mono, visibilidad parcial del animal o apariciones breves (<5 segundos). Factores ambientales como la luz solar intensa y la lluvia también contribuyeron a las dificultades de detección.

Significancia y Reivindicaciones
El artículo sostiene que la estrategia híbrida propuesta ofrece una solución viable al problema de la escasez de datos. Al integrar datos sintéticos generados en Unity con grabaciones del mundo real, los autores demuestran que es posible mantener una alta precisión de detección mientras se reduce la dependencia de la anotación manual laboriosa.

El estudio posiciona la herramienta desarrollada no como un reemplazo perfecto para la revisión humana, sino como un mecanismo de triaje eficiente. Permite a los conservacionistas filtrar rápidamente vastas cantidades de grabaciones de cámaras trampa, descartando videos sin la especie objetivo y priorizando aquellos que contienen aulladores para un análisis detallado. Los autores señalan que, si bien el modelo enfrenta desafíos con oclusiones parciales y apariciones breves, el enfoque reduce significativamente la carga de trabajo manual, permitiendo así estrategias de conservación más escalables y oportunas para mamíferos arbóreos en entornos urbanos fragmentados. Los autores también lanzaron una aplicación complementaria (HowlerApp) para facilitar la implementación de estas herramientas para investigadores de campo.