Pytorch-Wildlife: A Collaborative Deep Learning Framework for Conservation

全球生物多样性的惊人下降，由多种因素驱动，强调了大规模野生动物监测的紧迫性。为此，科学家们已经转向自动化的深度学习方法来处理野生动物监测的数据。然而，在实际应用中应用这些先进的方法是具有挑战性的，因为它们的复杂性和需要专业知识，主要是由于技术挑战和跨学科的障碍。 为了解决这些挑战，我们介绍了 Pytorch-Wildlife，这是一个建立在 PyTorch 上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。这个平台强调易用性和可访问性，使其适用于技术背景有限或没有的个人。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。负鼠模型达到了 98% 的准确率，亚马逊模型在 90% 的数据中对 36 种动物的识别准确率达到了 92%。随着 Pytorch-Wildlife 的发展，我们的目标是整合更多的保护任务，解决各种环境挑战。Pytorch-Wildlife 可在 https://github.com/microsoft/CameraTraps 上获取。

解决大规模野生动物监测中的技术和跨学科障碍，使得高级深度学习方法可以应用于实际场景中。

介绍了基于PyTorch的开源深度学习平台Pytorch-Wildlife，旨在提高可用性和易用性，使其适用于没有或有限技术背景的个人。该平台提供模块化的代码库，简化了特征扩展和进一步开发。平台可用于图像和视频中的动物检测和分类。

Pytorch-Wildlife已经被应用于亚马逊雨林物种识别和加拉帕戈斯群岛有害负鼠识别的动物分类模型的训练。该平台提供直观、用户友好的界面，并通过本地安装或Hugging Face进行访问。Opossum模型达到了98%的准确率，亚马逊模型在90%的数据中对36种动物的识别准确率达到92%。Pytorch-Wildlife的未来目标是集成更多的保护任务，解决各种环境挑战。

最近的相关研究包括：1）使用深度学习进行动物识别和定位的研究；2）使用计算机视觉技术进行野生动物监测的研究。