Animal identification using camera traps and detection models: Generation of a benchmark

Abstract

El monitoreo de las poblaciones de fauna silvestre es esencial para la conservación y la investigación ecológica. Las cámaras de fototrampeo ofrecen un método no invasivo para recopilar grandes volúmenes de datos de imágenes, pero la revisión manual de estos datos requiere mucho tiempo y es propensa a errores. Este proyecto propone un proceso completo para automatizar la identificación de animales mediante modelos de detección de objetos. Un gran conjunto de datos, compuesto por más de 1,3 millones de imágenes de los parques naturales de la Sierra de las Nieves y Doñana, se seleccionó, limpió, anotó y dividió en conjuntos de entrenamiento, validación y prueba. Varios modelos de aprendizaje profundo (YOLOv8, Megadetector y FasterRCNN) se entrenaron y evaluaron con este conjunto de datos. YOLOv8 obtuvo el mejor rendimiento en términos de precisión (93,4%) y precisión de detección (95,2% IoU), lo que lo convierte en el más adecuado para la implementación en tiempo real. Además del entrenamiento del conjunto de datos y el modelo, se desarrolló una aplicación web utilizando Flask, PostgreSQL, Celery y Redis. Esta plataforma permite a los usuarios realizar detecciones sobre nuevas imágenes, acceder al conjunto de datos de referencia y solicitar conjuntos de imágenes personalizados. Todo el sistema está en contenedores con Docker para mayor escalabilidad y facilidad de implementación. Diseñada con modularidad y eficiencia, la solución sirve como herramienta práctica y como referencia reproducible para futuras investigaciones en detección de fauna silvestre. El código fuente completo y los scripts de procesamiento del conjunto de datos están disponibles en GitHub: https://github.com/ziriraha/snieves-donana-benchmark