38、野生动物监测机器学习项目全流程指南

野生动物监测机器学习项目全流程指南

1. 定义机器学习类别

在野生动物监测的机器学习项目中，确定合适的机器学习类别至关重要。以下是不同用例、训练数据以及对应的类别标签：
| 用例 | 训练数据 | 类别标签 |
| — | — | — |
| 相机陷阱 | 图像 | 目标动物、背景环境（有或无其他动物） |
| 音频陷阱 | 麦克风数据 | 目标动物叫声、环境背景噪音、非目标动物叫声 |
| 动物目标检测 | 带边界框的图像 | 目标动物 |
| 运动陷阱 | 加速度计、雷达或其他空间信号 | 目标动物的移动 |
| 化学陷阱 | 气体信号 | 环境背景、目标物种的化学特征 |

本项目聚焦于相机陷阱用例，使用迁移学习技术进行图像分类，核心问题是“相机视野中是否存在目标动物”。项目的机器学习类别为“目标动物”和“背景环境（有或无其他动物）”，简称为“未知”。

2. 数据集收集策略

收集干净、健壮且有用的数据集可采用多种策略：
- 组合公共研究数据集。
- 将多个公共数据集中无动物的环境图像与目标动物的标注图像数据集相结合。
- 利用现有的大规模图像数据集，如 COCO（上下文中的常见对象）。

在获取公共可用图像数据集时，即使数据源看似不相关也可使用。例如，若目标入侵物种生活在葡萄牙，但当地缺乏该物种的标注图像数据集，可寻找其他葡萄牙物种的研究数据集，将其数据作为“非目标入侵物种”用于训练/测试数据集，模型训练后可能会识别出其中的目标物种。

3. Edge Impulse平台介绍

Edge Impu