Pytorch-Wildlife: A Collaborative Deep Learning Framework for Conservation

全球生物多样性的惊人下降，受到各种因素的推动，强调了大规模野生动物监测的紧迫性。为此，科学家们转向使用自动化深度学习方法进行野生动物监测的数据处理。然而，由于这些方法的复杂性和需要专业知识，尤其是由于技术挑战和跨学科障碍，将这些先进方法应用于实际场景是具有挑战性的。 为了解决这些挑战，我们介绍了 Pytorch-Wildlife，这是一个基于 PyTorch 构建的开源深度学习平台。它旨在创建、修改和共享强大的 AI 模型。该平台强调易用性和可访问性，使其适用于具有有限或无技术背景的个人。它还提供了一个模块化的代码库，以简化功能扩展和进一步开发。Pytorch-Wildlife 提供了一个直观、用户友好的界面，可通过本地安装或 Hugging Face 访问，用于图像和视频中的动物检测和分类。作为两个实际应用，Pytorch-Wildlife 已被用于训练亚马逊雨林物种识别的动物分类模型和加拉帕戈斯群岛入侵负鼠识别的模型。负鼠模型的准确率达到了 98%，亚马逊模型在 90% 的数据中对 36 种动物的识别准确率为 92%。随着 Pytorch-Wildlife 的发展，我们的目标是集成更多的保护任务，解决各种环境挑战。Pytorch-Wildlife 可在 https://github.com/microsoft/CameraTraps 上获得。

解决大规模野生动物监测的技术挑战，使深度学习方法更易于应用于实际场景中。

开发了一个基于PyTorch的开源深度学习平台Pytorch-Wildlife，强调易用性和可访问性，使其可供非技术背景的人使用。平台提供了直观、用户友好的界面，用于图像和视频中的动物检测和分类。

Pytorch-Wildlife已经成功应用于亚马逊雨林物种识别和加拉帕戈斯群岛入侵负鼠识别等实际应用中。平台具有模块化的代码库，可简化特征扩展和进一步开发。开源代码可在GitHub上获取。

近期的相关研究包括基于深度学习的动物识别和分类，如《Deep learning for automatic animal detection in camera trap images》和《A deep learning framework for wildlife species recognition and detection》。