Классификатор поведения птиц в Эверглейдс
модель для аэрофотоснимков
1 мин чтенияобновлено
Эта модель определяет по аэрофотоснимкам из национального парка Эверглейдс, чем занята околоводная птица: сидит на гнезде или находится на ночевке (ростинге). Решение создано на базе библиотеки DeepForest (инструмент для анализа экосистем по снимкам) и использует архитектуру ImageNet ResNet-50 (нейросеть для компьютерного зрения). Она обрабатывает вырезанные фрагменты с птицами размером 100х100 пикселей, полученные с детектора. Модель пригодится орнитологам и экологам, изучающим колонии птиц по аэрофотоснимкам.
Ключевые особенности
- Специализация на птицах Эверглейдс: обучена на данных учета белых ибисов, американских аистов и других видов.
- Высокая точность: общая точность модели (Accuracy) достигает 0.93 на валидационном наборе.
- Удобная интеграция: работает как дополнение (CropModel) в связке с детектором птиц DeepForest.
- Сбалансированное обучение: использовались аугментации, балансировка классов и кроп-окна по 224 пикселя.
Что можно сделать
- Классифицировать птиц на снимках: автоматически разделять обнаруженные особи на гнездящихся и отдыхающих.
- Анализировать колонии: обрабатывать аэрофотоснимки заповедников для мониторинга популяций водно-болотных птиц.
- Дополнять пайплайны экологов: использовать модель совместно с детектором weecology/everglades-bird-airplane.
Пример
from deepforest import main
from deepforest.model import CropModel
detector = main.deepforest()
detector.load_model("weecology/everglades-bird-airplane")
crop_model = CropModel.load_model("weecology/everglades-airplane-roosting-classifier")
crop_model.config["cropmodel"]["expand"] = 25
birds = detector.predict_tile(path="DSC_2226.JPG", patch_size=800)
Подробнее
Метрики: Accuracy 0.93, средний Recall по классам 0.86Архитектура: DeepForest CropModel (ImageNet ResNet-50)
Ограничения: данные собраны с одного типа камер за один сезон 2022 года
Датасет: 4,853 птицы из 11 колоний Эверглейдс










Комментарии