TL;DR
- دوربینهای فعال یا «تلههای دوربین» به همه،.
- از مالکان خانه گرفته تا مدیران پارکها،.
- منظرهای بیسابقه از حیات وحش محلی خود میدهند.
چه اتفاقی افتاد
دوربینهای فعال یا «تلههای دوربین» به همه،. از مالکان خانه گرفته تا مدیران پارکها،.
منظرهای بیسابقه از حیات وحش محلی خود میدهند. در حالی که یک کاربر کنجکاو حیاط خلوت ممکن است بتواند یک موجود را با چشم شناسایی کند،.
پروژههای بزرگتر در حال حاضر هزاران یا حتی میلیونها تصویر حیات وحش را جمعآوری میکنند که شناسایی دستی. آنها ممکن است دههها طول بکشد.
امروزه، افراد بیشتری از همیشه از هوش مصنوعی برای شناسایی حیوانات در تصاویر خود با SpeciesNet استفاده میکنند. این مدل هوش مصنوعی توسعهیافته توسط گوگل،.
به لطف شرکای حفاظتی که ۶۵ میلیون تصویر برچسبگذاری شده برای آموزش این مدل ارائه کردهاند،. میتواند نزدیک به ۲۵۰۰ دسته حیوان را در تصاویر دام دوربین طبقهبندی کند.
در اصل بخشی از پلتفرم آنلاین Wildlife Insights بود،. یک سال پیش ما SpeciesNet را بهعنوان یک ابزار منبعباز برای دانلود،.
تطبیق و اصلاح توسط دیگران در طبیعت منتشر کردیم. طی 12 ماه گذشته، گروههای تحقیقاتی در سراسر جهان از SpeciesNet منبعباز استفاده کرده اند.
مدلی برای شناسایی پوما و اوسلوت در کلمبیا،. گوزن و خرس سیاه در آیداهو،.
کاسوواری و موش کانگورو مشک دار در استرالیا،. و شیر و فیل در پارک ملی سرنگتی تانزانیا.
مدل هوش مصنوعی به افراد بیشتری اجازه میدهد تا سؤالات گستردهتری درباره الگوهای حیات وحش و حفاظت بپرسند. SpeciesNet بخشی از هوش مصنوعی Google Earth است،.
مجموعهای از ابزارهای مکانی،. مجموعه دادهها و مدلهای هوش مصنوعی برای هوش سیارهای عمیق.
هوش مصنوعی زمین به جوامع و های غیرانتفاعی قدرت میدهد تا به برخی از مبرمترین نیازهای کره زمین. پاسخ دهند.
عصر جدیدی برای نظارت بر حیات وحش امروزه،. تقریباً تمام نظارتهای مؤثر حیات وحش به تلههای دوربین حیات وحش متکی است.
دوربینها معمولاً روی درختان نصب میشوند. در بیشتر موارد، حرکت توسط اجسام تابش گرما باعث ایجاد تصاویر چند ثانیهای میشود.
فناوری مقرون به صرفه بهطور فزایندهای به پروژهها اجازه میدهد دهها یا حتی صدها. دوربین را مستقر کنند و حجم زیادی از داده را تولید کنند.
SpeciesNet از یادگیری عمیق برای شناسایی خودکار گونههای جانوری موجود در عکسهای تله دوربین استفاده می. کند.
این اتوماسیون تحقیقات را تسریع میکند،. تجزیه و تحلیل دادههای کارآمدتر را تسهیل میکند و در نهایت از مدیریت و حفاظت آگاهانهتر پشتیبانی میکند.
مطالعه مهاجرت حیوانات،. به ویژه در واکنش به تغییر آب و هوا؛
و به دست آوردن معیارهای مبتنی بر شواهد اندازه جمعیت برای مدیریت آن جمعیتها. مشاهده موارد نادر یا در معرض خطر گونهها همچنین برای درک و حفاظت از جمعیتهای در.
معرض خطر بسیار مهم است. آموزش و عملکرد SpeciesNet SpeciesNet یک مدل در مقیاس جهانی است که 2498 دسته از جمله پستانداران،.
پرندگان و خزندگان را طبقه بندی میکند. SpeciesNet در هماهنگی با یک مدل منبعباز دیگر،.
MegaDetector،. کار میکند تا مشخص کند کدام تصاویر - و کدام پیکسلهای درون آن تصاویر - حاوی.
حیوانات هستند. SpeciesNet یک نام گونه و سطح اطمینان برای هر حیوانی که شناسایی میکند،.
شامل چندین حیوان از یک گونه یا گونههای مختلف در یک تصویر واحد تولید میکند. SpeciesNet میتواند حدود 30000 تصویر در روز را روی یک لپ تاپ استاندارد یا 250000 یا بیشتر.
تصویر در روز را در یک پردازنده گرافیکی بازی پایین رده پردازش کند. SpeciesNet از سال 2019 در پلتفرم Wildlife Insights مبتنی بر Google Cloud عملیاتی شده است.
Wildlife Insights یک پلتفرم اجتماعی است که تقریباً 200 میلیون تصویر را با ی تأیید شده توسط انسان. میزبانی میکند.
SpeciesNet به کاربران Wildlife Insights کمک میکند تا تصاویر خود را برچسب گذاری کنند. هر یک از این تصاویر برچسبگذاریشده که توسط انسان تأیید شدهاند،.
میتوانند به نوبه خود دادههای آموزشی را برای SpeciesNet فراهم کنند. SpeciesNet بر روی مجموعهای از بیش از 65 میلیون تصویر،.
از جمله تصاویر انتخابشده از جامعه کاربر Wildlife Insights،. و همچنین تصاویر برچسبگذاریشده از مخازن در دسترس عموم،.
آموزش دیده است. این مدل از یک شبکه عصبی کانولوشن برای شناسایی حیوانات تا سطح گونهها،.
در صورت امکان،. در شرایط مختلف نور،.
زاویه و فاصله با سوژه استفاده میکند. این مجموعه داده آموزشی گسترده، مدل SpeciesNet را قادر میسازد تا 99.
4 درصد از تصاویر حاوی حیوانات را براساس مجموعه آزمایشی دوربین اندازهگیری شده بیابد. پروژههای تله در 83 درصد مواقع، حیوان را تا سطح گونه طبقه بندی میکند و 94.
5 درصد از آن پیش بینیها درست است. جزئیات بیشتر در مورد دادههای آموزشی،.
عملکرد و ارزیابی مدل را میتوان در انتشارات 2024 ما یافت. پروژههای شریک SpeciesNet در سراسر جهان در طول سال گذشته،.
برخی از پروژههای برجسته عبارتند از:. میلیونها تصویر حیات وحش از ساوانای آفریقا که از سال 2010 از طریق برنامه تلهبرداری دوربین Snapshot Serengeti.
گرفته شدهاند،. اکنون قابل تجزیه و تحلیل هستند.
در حالی که تصاویر اولیه توسط شهرونددانشمندان تجزیه و تحلیل شدند،. با گذشت زمان هجوم تصاویر از ظرفیت داوطلبان پیشی گرفت.
با SpeciesNet،. تاد مایکل اندرسون در دانشگاه ویک فارست اکنون در حال تجزیه و تحلیل این مجموعه از 11 میلیون.
تصویر در تنها چند روز است. نصب SpeciesNet بر روی لپتاپ خود همچنین به این معنی است که اندرسون میتواند دادههای تله دوربین را.
در میدان پردازش کند،. سپس از جدیدترین مشاهدههای حیات وحش برای استفاده مجدد دوربینها در زمان واقعی برای جمعآوری دادههای هدفمند استفاده.
کند. چندین گروه SpeciesNet را با گونههای محلی خود تطبیق دادهاند.
در استرالیا،. رصدخانه حیات وحش استرالیا (WildObs) نسخهای از SpeciesNet را بر روی حیواناتی که در 2498 برچسب موجود.
درج نشده اند،. آموزش داده است.
SpeciesNet آموزش دیده WildObs روی تصاویر گونههایی که فقط در استرالیا یافت میشوند،. مانند موش کانگورو مشکدار و مرغ نارنجی پای نارنجی،.
که میتوانند گونههای کلیدی در استرالیا را که محل زندگی گونههای منحصربهفرد و در معرض تهدید است،. تشخیص دهند.
WildObs همچنین تصاویر جدید و دادههای آموزشی خود را از طریق پلتفرم Wildlife Insights به جامعه بزرگتر برمیگرداند. آژانسهای دولتی حیات وحش و حملونقل از SpeciesNet برای کمک به پردازش دادههای تله دوربین خود استفاده میکنند.
بهعنوان مثال،. اداره ماهی و بازی آیداهو هنگام تجزیه و تحلیل تصاویر صدها دوربینی که برای نظارت بر گوزن،.
گوزن،. خرس سیاه و سایر حیاتوحش از جمله گونههای کمیاب و در خطر انقراض استفاده میکند،.
SpeciesNet را به گردش کار موجود خود اضافه کرده است. تلههای دوربین بهویژه در بخش جنگلیتر شمالی ایالت مفید هستند.
SpeciesNet بهعنوان اولین گذر در شناسایی گونهها استفاده میشود که مرحله نهایی تأیید انسانی را تا. حد زیادی سرعت میبخشد.
میلیونها نفر کاربران جدید اکنون از طریق پلتفرمهای عمومیو خصوصی به SpeciesNet دسترسی دارند. منابع مبتنی بر وب مانند پلت فرم داده دام دوربین The Nature Conservancy،.
Animl،. اکنون SpeciesNet را به رپرتوارهای مدل خود اضافه کرده اند.
AddaxAI،. یک ابزار دسکتاپ که به اکولوژیستها اجازه میدهد تصاویر را از طریق مدلهای هوش مصنوعی.
در رایانههای خود پردازش کنند،. SpeciesNet را نیز گنجانده است.
شرکتهای خصوصی نیز از SpeciesNet استفاده میکنند. بهعنوان مثال،.
Okala از SpeciesNet و ابزار صوتی AI توسعه یافته توسط Google،. Perch،.
برای نظارت بر تنوع زیستی در چندین کشور آفریقا استفاده میکند. Wildlife Insights، خانه اصلی SpeciesNet نیز در سال گذشته رشد کرده است.
در کلمبیا،. مؤسسه هومبولت تلاشهای خود را برای به دام انداختن دوربین به شبکهای در مقیاس ملی،.
Red Otus،. گسترش داده است که تصاویر تله دوربین را در زمینهای عمومیو خصوصی میگیرد.
از زمان راه اندازی Red Otus در سال 2024 در COP16،. این گروه اندازه خود را چهار برابر کرده است.
شبکه، به 446 دوربین و بیش از 100000 تصویر گرفته شده در سال 2025. از این دادهها برای تعیین تغییرات در الگوهای روزانه پستانداران و پرندگان مهاجر استفاده میکند.
تجزیه و تحلیل نشان میدهد که برخی از پستانداران،. شاید برای جلوگیری از تهدیدها،.
شبگردتر میشوند،. و پرندگان دیرتر صبح در مناطق توسعه یافته ظاهر میشوند،.
شاید برای جلوگیری از شکارچیان. نگاه به جلو در انتشار SpeciesNet بهعنوان یک منبع منبعباز،.
هدف ما تقویت همکاری و تسریع پیشرفت در نظارت و حفاظت از حیات وحش در سراسر جهان بود. مخزن GitHub دسترسی به کد، اسناد و منابع لازم برای اجرا و تطبیق مدل را فراهم میکند.
ما جامعه را تشویق میکنیم که به مشارکت در پروژه،. اصلاح مدل و گسترش قابلیتهای خود ادامه دهد،.
همانطور که اولین پذیرندگان ابزار منبعباز انجام دادهاند. گروههای پژوهشی یا افرادی که پلتفرمیرا ترجیح میدهند که به راحتی و به سرعت SpeciesNet را اجرا.
کند و به مدیریت دادهها و همکاری با گروههای دیگر کمک کند،. تشویق میشوند تا پلتفرم Wildlife Insights را کاوش کنند - یک منبع جهانی برای نظارت بر شبکه و.
یک گام مهم برای مدیریت خودکار و ویژگیهای زیستی. تسریع تجزیه و تحلیل تصاویر حیات وحش، از بابونها تا والابیها.
هدف ما حمایت از توسعه است مدلهای هوش مصنوعی در تلاشی مداوم و مشترک برای درک و حفاظت. از تنوع زیستی در سراسر جهان.
قدردانیها از همه دانشمندانی که مشارکتشان در Wildlife Insights باعث شد SpeciesNet امکان پذیر شود، تشکر میکنیم. تشکر ویژه از Tomer Gadot و Ștefan Istrate که آموزش SpeciesNet را رهبری کردند.
پروژههایی که درباره استفاده از SpeciesNet سؤال دارند باید با cameratraps@google. com تماس بگیرند.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.