OCAPI - Observation de la biodiversité par des caméras plus intelligentes | FEREC 2020

OCAPI – Observation de la biodiversité par des Caméras Plus Intelligentes Lauréat de l’appel à projets 20 20 Fondation FEREC « Intelligence artificielle (IA) appliquée aux infrastructures en service » 16 / 30 Cette base a été utilisée pour réaliser une première phase d’entra înement d ’ YOLOv5 avec 90 epochs pour les phases d’entra înements et de tests avec des tailles de batch de 16. Cette pre mière étape d’entra înement, bien que présentant des signes de surapprentissage, présente des capacités de détection intéressantes pour le Lièvre d’Europe, le Cerf élaphe et l’ Écureuil roux. Chevreuils, Sangliers et Renards roux ne sont par contre pas correctement reconnus (Tableau 2) . Tableau 2 Résultats obtenu pour le réentraînement de YOLOv5 sur la petite base de données tests hors OCAPI Espèce Précision Rappel Lièvre d’Europe 93% 79% Cerf élaphe 95% 100% Chevreuil 0% 0% Écureuil roux 80% 75% Sanglier 0% 0% Renard roux 0% 0% Dans le cadre de la mise en œuvre d’une cha îne de traitement de données allant de la reconnaissance d’espèce vers leur utilisation pour la construction de modèles d’occupation, la métrique de précision est assimilable de la détectabilité et donc plus adapté pour évaluer les performances des réentraînements. Raffinement de l’apprentissage à partir de la base de données annotée d’OCAPI La mise au point du raffinement de l’apprentis sage a conduit au constat que la quantité de données disponibles était beaucoup trop restreinte pour obtenir de bonnes performances pour toutes les nouvelles classes des espèces listées en Tableau 2. En particulier pour la plupart des espèces particulièrement sujettes aux collisions avec les véhicules (Cerf élaphe, Chevreuil et Sanglier). Les données issues de la plateforme OCAPI devraient permettre de réduire les problèmes de surapprentissage et d’améliorer les performances de déte ction. Les données issues de la plateforme OCAPI en augmentant la taille de la base et en améliorant l’échantillonnage de l’aspect des différentes espèces, devrait permettre d’améliorer les performances de détection. Comme nous n’avons pas réussi à recrute r pour un stage de 6 mois comme il était prévu initialement, l’étudiante n’a malheureusement pas été en mesure de tester le réapprentissage de YOLOv5 avec les données issues du projet OCAPI. Un prem ier affinage a toutefois été réalisé par l’UGE début 2022 . Cet affinage bien qu’ayant subis des soucis techniques liés à des problèmes de labellisation dans la base de données annotées (utilisation de noms d’espèces obsolètes par un annotateur), nous permet d’identifier une quinzaine d’espèce communes avec des taux d’erreur inférieurs à environ 20% sans que nous puissions pour le moment estimer précisément ces erreurs. Les espèces ainsi reconnues sont, le Héron cendré, le Chat forestier, le Renard roux, le Lynx boréal, la famille