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

Technische Samenvatting: Democratisering van Camera Trap AI

Probleemstelling
Wildcamera's (camera traps) zijn een hoeksteen van biodiversiteitsmonitoring en genereren enorme hoeveelheden beeldmateriaal dat vaak de capaciteit voor handmatige beoordeling overstijgt. Hoewel deep learning een oplossing heeft geboden, vormt het huidige landschap een barrière voor veel natuurbeschermingspraktijkvoering. Bestaande hoogwaardige modellen zijn vaak achter commerciële platforms verborgen, vereisen abonnementskosten, of zijn getraind op wereldwijde datasets die niet overeenkomen met specifieke regionale fauna (zoals de Britse). Bov�els zijn algemene modellen vaak niet voorzien van soortspecifieke granulariteit of zijn niet afgestemd op lokale beeldomstandigheden. Dit creëert een ongelijkheid waarbij goed gefinancierde organisaties toegang hebben tot geautomatiseerde analyse, terwijl kleine NGO's, burgerwetenschap netwerken en ondergefinancierde statutaire instanties geconfronteerd worden met een "betaalmuur" voor bruikbare, soortspecifieke AI, wat hun vermogen om te voldoen aan statutaire biodiversiteitsdoelstellingen (bijv. de Britse Environment Act 2021) belemmert.

Methodologie
De auteurs hebben een open-source objectdetectiemodel ontwikkeld dat specifiek is gericht op de Britse biodiversiteit, gebruikmakend van de YOLO26x (extra-large variant) architectuur. De aanpak geeft prioriteit aan datacuratie en praktische implementatie boven architecturale nieuwheid.

• Dataset: Het model is getraind op een gecureerde dataset van 48.165 gelabelde instanties afkomstig van meer dan een decennium aan operationele inzettingen op meerdere Britse locaties. De dataset bevat 31 klassen:
  • 28 dierklassen (18 zoogdiersoorten, inclusief huisdieren en vee; 10 vogelsoorten).
  • 2 nutsklassen (Persoon, Kalibratiepaal).
  • 1 gereserveerde klasse (Auto, gedefinieerd maar niet gevuld).
  • De data omvat diverse omstandigheden: daglicht RGB, infrarood nachtzicht, bewegingsonscherpte, gedeeltelijke occlusie en frames met meerdere dieren.
• Data Split: De dataset werd gepartitioneerd met een klasse-gestratificeerde 80/10/10 verdeling (Training/Validatie/Test). Dit zorgt ervoor dat elke klasse, inclusief zeldzame klassen zoals de Wulpkuiken (274 instanties) en Kalibratiepaal (151 instanties), in alle splitsingen wordt vertegenwoordigd.
• Trainingsconfiguratie:
  • Hardware: 8 NVIDIA RTX A6000 GPU's.
  • Hyperparameters: Inputresolutie 640×640, globale batchgrootte 256, mixed-precision (AMP), 120 epochs.
  • Augmentatie: Mosaic-augmentatie (gesloten bij epoch 110), horizontale flip (0.5), HSV jitter, willekeurige affine schaal/translatie, RandAugment en random erasing.
  • Optimalisatie: Cosine learning rate schedule (uitgeschakeld), initiële learning rate 0.01, momentum 0.937, weight decay 0.0005.
• Outputformaat: De getrainde gewichten zijn geconverteerd naar ONNX-formaat om framework-onafhankelijkheid en compatibiliteit met CPU/GPU inference runtimes (ONNX Runtime, OpenCV DNN, DirectML) te garanderen.

Belangrijkste Bijdragen

1. Open-Source Modelrelease: Het artikel brengt de getrainde gewichten uit voor een 31-klasse Britse zoogdier- en vogeldetector onder een Creative Commons CC BY-NC 4.0 licentie. Dit richt zich expliciet op niet-commercieel gebruik om natuurbehoud te ondersteunen, terwijl het de mogelijkheid van het project beschermt om toekomstige ontwikkeling te financieren via commerciële kanalen.
2. Praktische Hulpmiddelen: Bij de gewichten horen lokale desktopverwerkingshulpmiddelen en real-time camera ondersteunende scripts. Deze tools zijn ontworpen voor ecologen zonder machine learning-ervaring, met tutorials die gebruikers begeleiden van installatie tot de CSV-export van detectieresultaten.
3. Regionale Specificiteit: In tegen tegenover de globale modellen (bijv. SpeciesNet) die kunnen lijden onder verwarring met niet-lokale verwante soorten, is dit model expliciet afgestemd op de Britse fauna en beeldomstandigheden, wat de "in-distribution" prestatiekloof voor Britse natuurbeschermers adresseert.
4. Democratiseringskader: De release wordt gepositioneerd als een tegenwicht voor de commercialisering van natuurbehoud-AI, met het argument dat hoogwaardige baselines voor niet-commercieel natuurbehoud vrij toegankelijk moeten zijn.

Resultaten
Het model werd geëvalueerd op een onafhankelijke validatieset en een aparte testset, beide afkomstig uit dezelfde datapool als de trainingsset (in-distribution evaluatie).

• Hoofdmetrieken (Validatieset):
  • Precisie: 0.988
  • Recall: 0.965
  • mAP@0.5: 0.984
  • mAP@0.5:0.95: 0.956
  • F1-score: 0.98 (bij een vertrouwensdrempel van 0.62).
• Prestaties per Klasse: De gemiddelde per-soort betrouwbaarheid op de testset varieerde van 0.96 tot 0.99 over alle 31 klassen. Zelfs voor de kleinste klassen (bijv. Wulpkuiken, Kalibratiepaal) bleef de gemiddelde betrouwbaarheid boven de 0.95.
• Foutmodi: De false-negative rate op de testset was 0.17%. Deze missers concentreerden zich in moeilijke omstandigheden: nachtopnames op grote afstand, zware occlusie en ernstige bewegingsonscherpte. Opvallend genoeg heeft het model de neiging om geen detectie te produceren in plaats van een zelfverzekerde onjuiste label in deze scenario's, een "veiligere" foutmodus voor natuurbehoud-workflows.
• Trainingsdynamiek: Het model convergeerde schoon zonder overfitting, waarbij de validatieverliezen afvlakten in plaats van stegen. De meeste prestatiewinsten vonden plaats rond epoch 50, waarbij latere epochs voornamelijk de lokalisatienauwkeurigheid verfijnden (mAP@0.5:0.95).

Betekenis en Claims
Het artikel positioneert deze release niet als een methodologische doorbraak in computer vision (de architectuur is standaard), maar als een praktische bijdrage aan de infrastructuur voor natuurbehoud.

• Toegankelijkheid: De auteurs beweren dat de release organisaties met beperkte middelen, zonder ML-personeel en zonder GPU-toegang in staat stelt om soortspecifieke detectie volledig offline te draaien op standaard laptops.
• Transparantie: Door gewichten, configuratiebestanden en trainingsdataspecificaties vrij te geven, is het model controleerbaar en auditeerbaar, in contrast met "black box" SaaS-oplossingen.
• Het Gat Dichten: Het artikel beargumenteert dat hoewel er globale modellen bestaan, het gebrek aan een getunede, Britse specifieke soortniveau detector praktijkbeoefenaars dwingt naar betaalde diensten. Deze release beoogt dit specifieke gat te vullen.
• Toekomstige Richting: De auteurs erkennen dat in-distribution metrieken geen prestaties garanderen op geheel nieuwe locaties of cameramodellen. Zij identificeren de creatie van een gelabelde, cross-site benchmark als de cruciale volgende stap. De release is bedoeld als de eerste in een reeks regionale modellen, waarbij een model voor sub-Sahara Afrika momenteel in voorbereiding is.

Het artikel concludeert dat het cumulatieve voordeel van dergelijke openbare releases het grootst is voor de minder ontwikkelde regio's met een hoog biodiversiteitsrisico, die het minst in staat zijn om commerciële betaalmuren te absorberen.