Comment fonctionne exactement la reconnaissance et quels modèles utilisez-vous exactement ?

Chaque photo et vidéo passe par un pipeline multi-étapes plutôt qu'un seul modèle opaque. Chaque étape utilise un modèle construit et éprouvé spécifiquement pour les images de pièges photographiques animaliers, et les étapes s'appuient les unes sur les autres :

1. Détection – trouvez les animaux.

Nous exécutons d'abord MegaDetector, le détecteur de pièges photographiques standard open-source créé par le programme AI-for-Earth de Microsoft et largement utilisé dans la recherche sur la faune. Il localise chaque animal, personne et véhicule dans le cadre et dessine une boîte autour de chacun – mais il ne dit pas encore quelle espèce. Nous supprimons les boîtes de faible confiance et fusionnons les boîtes qui se chevauchent, de sorte que le même animal n'est jamais compté deux fois. Si aucun animal n'est trouvé, la photo est signalée comme un déclenchement vide/faux – c'est ainsi que les photos d'herbe dans le vent sont automatiquement filtrées.

2. Classification – identifiez l'espèce.

Chaque animal détecté est ensuite transmis à un classificateur d'espèces, et celui que nous utilisons dépend de l'endroit où se trouve votre appareil photo :

• En Europe – DeepFaune : un classificateur de l'initiative française DeepFaune, une collaboration dirigée par le CNRS réunissant plus de 50 partenaires de recherche et de gestion de la faune, entraîné sur un grand ensemble de données de pièges photographiques européens, en mettant l'accent sur les mammifères communs en Europe.

• Mondialement – SpeciesNet : le modèle open-source de Google (celui utilisé dans la plateforme Wildlife Insights). Il associe MegaDetector à un classificateur EfficientNet-V2 entraîné sur un très grand ensemble de données mondial couvrant plus de 2 000 espèces et groupes de niveau supérieur.

3. Ajustement régional – limitez-le à ce qui vit réellement là où vous chassez.

Un classificateur mondial proposera occasionnellement une espèce qui ne se trouve pas sur votre terrain. Nous réduisons cela de deux façons :

• Géofencing (mondial) : SpeciesNet utilise le pays/la région de votre appareil photo – et ses coordonnées le cas échéant – pour restreindre les prédictions aux espèces qui s'y trouvent réellement, de sorte qu'un homologue nord-américain ne soit pas suggéré pour une forêt bavaroise.

• Votre liste d'espèces de gibier : dans vos paramètres, vous choisissez les espèces que vous attendez sur votre terrain. Nous ne réentraînons pas les modèles sur vos photos – à la place, nous utilisons votre liste pour valider chaque résultat. Tout ce qui sort de votre liste n'est pas silencieusement accepté ou réétiqueté ; il est conservé et signalé pour examen, de sorte que vous gardez le contrôle et pouvez confirmer ou corriger le résultat. Plus votre liste et l'emplacement de l'appareil photo reflètent la réalité, plus vos résultats sont nets.

4. Vérification des bois (optionnelle, pour les espèces de cerfs que vous activez).

Pour les espèces portant des bois que vous activez, un modèle vision-langage séparé prend un gros plan de la tête de l'animal et juge si des bois sont visibles. Il est délibérément conservateur : seul un clair "oui" marque l'animal comme probablement mâle, les cas incertains vont à à examiner, et un bois manquant ou caché n'implique jamais "femelle" – les biches, les bois tombés, une tête tournée ou une tête coupée du cadre simplement ne peuvent pas être jugés. Pour donner à cette étape une chance équitable, nous élargissons la récolte vers le haut afin que la tête soit incluse même lorsque le détecteur n'a encadré que le corps.

5. Résultat.

Par photo, vous obtenez : l'espèce, le nombre d'animaux, une boîte sur l'image montrant ce qui a été trouvé et où, un indice de bois/sexe le cas échéant, et toute personne ou tout véhicule marqué (qui peut être floué ou caché pour des raisons de confidentialité). Les vidéos fonctionnent de la même manière – nous échantillonnons les images à travers le clip et combinons les résultats.

Une remarque sur la précision : Ce sont d'excellents modèles de qualité conservation, mais aucune reconnaissance automatisée n'est parfaite – la lumière, la distance, le flou de mouvement, les corps partiels et les angles bizarres rendent les erreurs possibles. Traitez les résultats comme un premier passage rapide et puissant plutôt que comme une garantie, et vérifiez tout ce qui importe. Le drapeau à examiner existe précisément pour que les cas incertains refassent surface au lieu de se cacher.