基于 YOLOv8 的动物物种检测

简介

动物在车辆碰撞中被撞死，这种现象被称为路边死亡，是一个重要的全球问题，导致野生动物死亡率高。仅在美国，每天有超过100万种脊椎动物在车辆碰撞中丧生。全球范围内，这一数字每天超过550万，年总数超过20亿。最近的一项研究已经确定了易受危害的动物种群，例如豹（面临由路边死亡引发的绝种风险增加了83%）、巴西狼（增加了34%的绝种风险）、巴西猫（增加了0至75%的绝种风险）和南非鬣狗（增加了0至75%的绝种风险）。

野生动物车辆碰撞不仅威胁动物的安全，还可能伤害车辆乘客并造成损坏。为了解决这个问题，道路管理机构应该采取行动，例如设置公路围栏、野生动物穿越通道、逃生通道、夜间使用远光灯，以及在公路旁边使用动物传感器，以确保野生动物和人类的安全。

问题陈述

该项目旨在通过深度学习算法创建一个高效的计算机视觉模型。该模型将部署为检测系统的一部分，用于识别城市环境和高速公路上的野生动物。它将利用实时视觉来提醒人们可能与野生动物发生碰撞，增强安全措施。

数据描述

数据集1：https://www.kaggle.com/datasets/biancaferreira/african-wildlife 包括来自以前的实习生队伍的图像，这些图像来自Kaggle，这是一个开源数据存储库。该数据集包括四种不同动物物种的图像。此外，对于数据集1中的每个图像文件，都提供了以YOLO格式进行注释的文本文件。 

数据集2：https://www.kaggle.com/datasets/brsdincer/danger-of-extinction-animal-image-set 由Hamoye提供，托管在Kaggle上，包含了11种不同的动物物种的图像。值得注意的是，该数据集缺乏附带的包含注释的文本文件，而且其中相当一部分图像的分辨率较低。

数据集3：https://www.kaggle.com/datasets/antoreepjana/animals-detection-images-dataset/ 来自Kaggle，包括80种独特的动物物种的图像。该数据集包括Pascal格式的带有注释的文本文件，并提供高分辨率的图像供分析使用。 

数据预处理

我们通过从数据集2中仅选择高分辨率图像来提高图像质量，因为许多图像的分辨率较低，约为250像素。

对于标注，我们使用了Make Sense工具来为数据集2中选定的高分辨率图像进行标注。这对于有效训练模型是必要的。此外，我们还将数据集3中图像的标注从Pascal格式转换为YOLO格式，但仅适用于两个数据集中都存在的类别。

为了确保数据质量，我们删除了不适当的数据。具体而言，我们将豹类从数据集中排除，因为该类中的大多数图像包含其他类别。此外，我们从数据集3中加入了虎类。

数据探索性分析

该数据集包括10种不同的动物物种的图像，分别是斑马、犀牛、熊猫、狮子、大象、水牛、狐狸、老虎、猎豹和美洲豹。总共包括2,609张图像，每张图像都附带一个包含图像中物体注释的相应文本文件。

该数据集的平衡性很好，每种动物物种都得到了充分的代表。大多数图像仅包含一个或两个物体，尽管有些图像包含更多的物体。在物体检测算法中，一个重要因素是纵横比，标准差方面的中度可变性，从0.56到3.34。

每个图像中的物体数量 图像尺寸的统计数据

每个类别的图像数量

建模

我们采用You Only Look Once（YOLO）深度学习算法，具体是YOLOv8，构建了一个动物检测模型。YOLOv8提供了提高速度和准确性的增强型性能，同时为目标检测、实例分割和图像分类任务提供了统一的框架。YOLO模型通过单个网络在单次评估中有效地预测边界框和类别概率，实现了实时预测。

对于数据集管理，我们将数据集分为训练集、验证集和测试集，分割比例为0.7、0.15和0.15。使用Ultralytics包通过命令行界面实现了YOLOv8的模型。使用了预训练权重，指定任务为“检测”，模式为“训练”，模型为“yolov8n”。模型经过50个周期的训练，以达到所期望的性能。

评估

物体检测算法的性能通过均值平均精度（mAP）、F1-score和混淆矩阵等指标进行评估。

训练数据集上的模型性能

• 下面的PR曲线显示了在0.5阈值下的所有类别的均值平均精度（AP）为0.95。因此，它表明模型在物体检测任务中表现良好。

• 每个训练周期包括两个阶段：训练阶段和验证阶段。

YOLOv8 目标检测模型在不同阈值下都获得了高精度、召回率、F1-score和mAP的优秀表现。

• 在下面的FI-Confidence曲线中，训练F1-score是在0.556的置信度阈值下为0.93，召回率为0.915，精确率为0.944，表明在准确识别和分类训练数据集中的物体方面表现均衡。

混淆矩阵

• 训练集

• 测试集

模型部署

该模型使用Streamlit在Hugging Face上部署。Streamlit是一个开源的应用程序框架。

结论和建议

道路是人们和物资的重要基础设施，但当它们与自然相交时，可能会对野生动物造成伤害。我们的模型分析实时的公路图像，触发车辆中的传感器和警报，以警告司机检测到的物体。为了提高模型的准确性，我们扩展了训练数据集，涵盖了更广泛物种的范围。此外，这个模型在教育和农业方面也有应用。

·  END  ·

HAPPY LIFE

本文仅供学习交流使用，如有侵权请联系作者删除