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

Resumo Técnico: Democratizando a IA para Armadilhas Fotográficas

Definição do Problema
As armadilhas fotográficas são um pilar do monitoramento da biodiversidade, gerando vastas quantidades de imagens que frequentemente excedem a capacidade de revisão manual. Embora o aprendizado profundo (deep learning) tenha oferecido uma solução, o cenário atual apresenta uma barreira de entrada para muitos profissionais da conservação. Os modelos de alto desempenho existentes estão frequentemente restritos a plataformas comerciais, exigem taxas de assinatura ou são treinados em conjuntos de dados globais que não se alinham com faunas regionais específicas (como a do Reino Unido). Além disso, modelos de propósito geral muitas vezes carecem de granularidade ao nível de espécie ou não são ajustados às condições locais de imagem. Isso cria uma disparidade onde organizações bem equipadas podem acessar análises automatizadas, enquanto pequenas ONGs, redes de ciência cidadã e agências estatutárias subfinanciadas enfrentam um "muro de pagamento" (paywall) para acessar uma IA utilizável ao nível de espécie, dificultando sua capacidade de cumprir metas de biodiversidade estatutárias (ex.: Lei do Meio Ambiente do Reino Unido 2021).

Metodologia
Os autores desenvolveram um modelo de detecção de objetos de código aberto especificamente para a biodiversidade do Reino Unido, utilizando a arquitetura YOLO26x (variante extra-grande). A abordagem prioriza a curadoria de dados e a implementação prática sobre a novidade arquitetônica.

• Conjunto de Dados: O modelo foi treinado em um conjunto de dados curado de 48.165 instâncias rotuladas, provenientes de mais de uma década de implantações operacionais em múltiplos locais no Reino Unido. O conjunto de dados inclui 31 classes:
  • 28 classes de animais (18 espécies de mamíferos, incluindo domésticos e gado; 10 espécies de aves).
  • 2 classes de utilidade (Pessoa, Poste de Calibração).
  • 1 classe reservada (Carro, definida mas não populada).
    O dado abrange diversas condições: RGB diurno, infravermelho noturno, desfoque de movimento (motion blur), oclusão parcial e quadros com múltiplos animais.
• Divisão de Dados: O conjunto de dados foi particionado usando uma divisão 80/10/10 estratificada por classe (Treinamento/Validação/Teste). Isso garante que cada classe, incluindo as raras como filhote de Curlew (274 instâncias) e Poste de Calibração (151 instâncias), esteja representada em todas as divisões.
• Configuração de Treinamento:
  • Hardware: 8 GPUs NVIDIA RTX A6000.
  • Hiperparâmetros: Resolução de entrada 640×640, tamanho de lote global 256, precisão mista (AMP), 120 épocas.
  • Aumentação: Aumentação de mosaico (fechada na época 110), inversão horizontal (0.5), jitter de HSV, escala/translação afim aleatória, RandAugment e apagamento aleatório (random erasing).
  • Otimização: Cronograma de taxa de aprendizado de cosseno (desativado), taxa de aprendizado inicial 0.01, momentum 0.937, decaimento de peso 0.0005.
• Formato de Saída: Os pesos treinados foram convertidos para o formato ONNX para garantir independência de framework e compatibilidade com tempos de execução de inferência de CPU/GPU (ONX Runtime, OpenCV DNN, DirectML).

Principais Contribuições

1. Lançamento de Modelo de Código Aberto: O artigo libera os pesos treinados para um detector de mamíferos e aves do Reino Unido de 31 classes sob uma licença Creative Commons CC BY-NC 4.0. Isso visa explicitamente o uso não comercial para apoiar o trabalho de conservação, protegendo a capacidade do projeto de financiar desenvolvimentos futuros através de canais comerciais.
2. Ferramental Prático: Acompanhando os pesos, há utilitários de processamento desktop local e scripts de suporte para câmera em tempo real. Essas ferramentas foram projetadas para ecologistas sem experiência em aprendizado de máquina, apresentando tutoriais que guiam os usuários desde a instalação até a exportação de resultados em CSV.
3. Especificidade Regional: Ao contrário de modelos globais (ex.: SpeciesNet) que podem sofrer confusão com congêneres não locais, este modelo é explicitamente ajustado para a fauna e condições de imagem do Reino Unido, abordando a lacuna de desempenho "dentro da distribuição" (in-distribution) para conservacionistas britânicos.
4. Estrutura de Democratização: O lançamento é emoldurado como um contrapeso à comercialização da IA para a conservação, argumentando que bases de alto desempenho para a conservação não comercial devem ser livremente acessíveis.

Resultados
O modelo foi avaliado em um conjunto de validação retido e em um conjunto de teste separado, ambos extraídos do mesmo pool de dados do treinamento (avaliação dentro da distribuição).

• Métricas Principais (Conjunto de Validação):
  • Precisão: 0.988
  • Recall: 0.965
  • mAP@0.5: 0.984
  • mAP@0.5:0.95: 0.956
  • F1 Score: 0.98 (no limiar de confiança 0.62).
• Desempenho por Classe: A confiança média por espécie no conjunto de teste variou de 0.96 a 0.99 em todas as 31 classes. Mesmo para as classes menores (ex.: filhote de Curlew, Poste de Calibração), a confiança média permaneceu acima de 0.95.
• Modos de Falha: A taxa de falsos negativos no conjunto de teste foi de 0.17%. Essas falhas concentraram-se em condições difíceis: fotos noturnas de longa distância, oclusão severa e desfoque de movimento intenso. Notavelmente, o modelo tende a produzir nenhuma detecção em vez de um rótulo incorreto confiante nesses cenários, um modo de falha "mais seguro" para fluxos de trabalho de conservação.
• Dinâmica de Treinamento: O modelo convergiu de forma limpa sem sobreajuste (overfitting), com as perdas de validação estabilizando em vez de subir. A maioria dos ganhos de desempenho ocorreu até a época 50, com as épocas posteriores refinando principalmente a precisão de localização (mAP@0.5:0.95).

Significância e Alegações
O artigo posiciona este lançamento não como um avanço metodológico em visão computacional (a arquitetura é pronta para uso/off-the-shelf), mas como uma contribuição prática para a infraestrutura de conservação.

• Acessibilidade: Os autores afirmam que o lançamento permite que organizações com recursos limitados, sem pessoal de ML e sem acesso a GPU executem detecção de nível de espécie em laptops comuns, inteiramente offline.
• Transparência: Ao liberar os pesos, arquivos de configuração e especificações de dados de treinamento, o modelo torna-se inspecionável e auditável, contrastando com soluções SaaS de "caixa preta".
• Abordagem da Lacuna: O artigo argumenta que, embora existam modelos globais, a falta de um detector de nível de espécie ajustado e específico para o Reino Unido força os profissionais a recorrerem a serviços pagos. Este lançamento visa preencher essa lacuna específica.
• Direção Futura: Os autores reconhecem que métricas dentro da distribuição não garantem o desempenho em sites ou modelos de câmera inteiramente novos. Eles identificam a criação de um benchmark de referência trans-site rotulado como o próximo passo crítico. O lançamento é pretendido como o primeiro de uma série de modelos regionais, com um modelo para a África Subsaariana atualmente em preparação.

O artigo conclui que o benefício cumulativo de tais lançamentos abertos é maior para as regiões de alto risco de biodiversidade e recursos limitados, que são as menos capazes de absorver muros de pagamento comerciais.