如何使用Google開源模型SpeciesNet

如何使用Google開源模型SpeciesNet

2025, Mar 26    

在 AI 技術持續突破的今天，Google 推出了令人興奮的開源模型 SpeciesNet，專為辨識野生動物而設計。這個模型訓練於數千萬張由相機偵測拍攝的實際照片，能夠自動識別超過 2000 種動物物種與相關標籤。對於從事生態研究、環境保護或開發自然觀察應用的開發者來說，SpeciesNet 提供了一個強大的工具，不僅大幅減少人工標記的時間，也為全球生物多樣性的監測打開了新局。

模型組合架構（Ensemble）

該系統包含兩個 AI 模型，分別負責不同任務：

1. MegaDetector（目標偵測器）

  • 用途：從影像中找出 動物、人類、車輛 等目標。
  • 特點：不辨識動物的種類，僅提供「有動物」這類粗略判斷。
  • 適合用於初步過濾與目標區域偵測。

2. SpeciesNet（物種分類器）

  • 架構：採用 Google 訓練的 EfficientNet V2 M 架構。
  • 分類能力：可辨識超過 2000 個標籤，包含：
    • 各種動物物種（例如：獅子、長頸鹿）
    • 高階分類群（如：哺乳類 Mammalia、貓科 Felidae）
    • 非動物類別（如：「空白」、「車輛」）
  • 訓練資料：
    • 來自 Wildlife Insights 社群的整理影像
    • 公開資料庫，總數超過 6,500 萬張相機陷阱影像
  • 功能：提供物種層級的影像分類結果。

🔗 整合方式

  • 使用啟發式規則（heuristics）整合 MegaDetector 和 SpeciesNet 的輸出。
  • 可選擇使用地理資訊以提升分類準確性。
  • 最終為每張影像提供 單一分類結果。

這篇文章是紀錄實際應用 & 自己筆記用

安裝Python環境

  1. 安裝 Miniforge

  2. 安裝完成後開啟 Miniforge Prompt

  1. 輸入以下指令建立環境名稱:speciesnet
conda create -n speciesnet python=3.11 pip -y
  1. 啟動speciesnet環境
conda activate speciesnet
  1. 如出現以下代表環境建立成功

安裝SpeciesNet

pip install speciesnet

簡易測試

  1. 輸入以下指令執行預測
python -m speciesnet.scripts.run_model --folders "{需要辨識的圖片來源資料夾路徑}" --predictions_json "{輸出的json檔案}"

  1. 結果如下，把結果先丟給ChatGPT分析prediction區塊看來查看其含義

分類階層解析（從大到小）

分類層級 名稱 說明
UUID 18188307-3bda-4990-84eb-893863202d22 此筆分類資料的唯一識別碼
綱（Class） mammalia 哺乳綱，哺乳類動物
目（Order） carnivora 食肉目，例如狗、貓、熊、鼬等
科（Family） herpestidae 貓鼬科（獴科，mongoose family）
屬（Genus） herpestes 一種貓鼬的屬
種（Species） urva Herpestes urva，蟹獴
常見名稱 crab-eating mongoose 中文為「蟹獴」，以螃蟹為食的小型哺乳動物 


Predictions:
{
    "predictions": [
        {
            "filepath": "image/demo.JPG",
            "classifications": {
                "classes": [
                    "18188307-3bda-4990-84eb-893863202d22;mammalia;carnivora;herpestidae;herpestes;urva;crab-eating mongoose",
                    "341cda2b-34df-4391-a61e-ba063bbe2f9a;mammalia;carnivora;herpestidae;herpestes;ichneumon;egyptian mongoose",
                    "37b83705-ecdf-406d-923a-12a736fd56f3;mammalia;carnivora;herpestidae;ichneumia;albicauda;white-tailed mongoose",
                    "f1f22711-ef94-4cf8-a051-128182debc01;mammalia;carnivora;herpestidae;herpestes;smithii;ruddy mongoose",
                    "86f5b978-4f30-40cc-bd08-be9e3fba27a0;mammalia;rodentia;sciuridae;sciurus;carolinensis;eastern gray squirrel"
                ],
                "scores": [
                    0.9012179374694824,
                    0.05760936066508293,
                    0.004107112064957619,
                    0.003590901382267475,
                    0.0035770961549133062
                ]
            },
            "detections": [
                {
                    "category": "1",
                    "label": "animal",
                    "conf": 0.9165332913398743,
                    "bbox": [
                        0.5145527124404907,
                        0.22821350023150444,
                        0.12545955181121826,
                        0.09449891000986099
                    ]
                }
            ],
            "prediction": "18188307-3bda-4990-84eb-893863202d22;mammalia;carnivora;herpestidae;herpestes;urva;crab-eating mongoose",
            "prediction_score": 0.9012179374694824,
            "prediction_source": "classifier",
            "model_version": "4.0.0a"
        }
    ]
}

其餘應用待補

  • bbox area
  • admin1_region
  • country
  • etc..

演示用程式

SpeciesNetDemo

參考資料

  • https://github.com/google/cameratrapai?tab=readme-ov-file
  • https://github.com/google/cameratrapai/blob/main/installing-python.md
  • https://www.inside.com.tw/article/37737-google-opensources-speciesnet
Twitter Facebook Google+
# SpeciesNet # AI