Fra et foto til et nærmere kig.
Sommerfugl ID foreslår, hvad du kan have fundet. Din egen observation og feltguiden hjælper dig med at kontrollere det.
- 01
Vælg det rigtige land.
Brug det land, hvor du fandt sommerfuglen. Lande har forskellige artslister og modeller. Dit sprog bliver det samme.
- 02
Gør sommerfuglen tydelig.
Et skarpt foto med synlige vinger giver modellen mere at arbejde med. Undgå stor afstand, bevægelsesuskarphed og urolige baggrunde.
- 03
Sammenlign forslagene.
Se på tegninger, vingeform og forvekslingsarter. Modellens sikkerhed er en score, ikke en garanti for, at identifikationen er rigtig.
Offline på iPhone. Online i browseren.
iPhone-appen henter en landemodel og feltguide til lokal brug. Webværktøjet sender et valgt foto til serveren til analyse og kræver internet.
Et forslag er et udgangspunkt. Kontrollér kendetegn og alternativer, før du bekræfter et sjældent eller usikkert fund.
Hvordan lærer en model en sommerfugl at kende?
En billedmodel lærer mønstre i fotos: vingeform, tegninger og farver. Hvert land har sin egen model og artsliste. Oplysningerne nedenfor beskriver den dokumenterede træning for Norge og Sverige; den danske model har sit eget træningsforløb.
- Modelarkitektur
- EfficientNetV2-M
- Billedstørrelse
- 576 × 576 px
- Modelklasser
- 102 i Norge · 110 i Sverige
Et grundlag fra ImageNet
Norge og Sverige bruger EfficientNetV2-M, et neuralt netværk til billedgenkendelse. Det starter med vægte fra ImageNet-21k, viderejusteret på ImageNet-1k, og finjusteres derefter på mærkede fotos af landets sommerfuglearter. Det kaldes transfer learning.
Adskilte trænings- og testbilleder
Billederne fordeles i faste grupper med et mål på 80 % til træning, 10 % til validering og 10 % til test. Billeder fra samme registrerede observation holdes samlet. Perceptuelle billedhashes grupperer også næsten ens fotos inden for samme art, så de ikke fordeles på tværs af delene.
Træning, udvælgelse og evaluering
Tilfældige billedvariationer bruges under træningen, og et glidende gennemsnit af modelvægtene (EMA) giver kandidatmodeller. Valideringsdelen bruges til at vælge modellen. Først derefter evalueres den valgte model én gang på den låste testdel. Tilfældige træningsvariationer bruges ikke ved genkendelse.
Fra pixels til et forslag
Modellen giver én rå score, en logit, for hver modelklasse. Softmax omsætter scorerne til værdier, som bruges til at rangere forslagene. En fast klassenøgle forbinder hver score med den rigtige art. Landepakken gør modellen tilgængelig lokalt på iPhone; det valgte sprog bestemmer navnene og teksterne.
Den præcise billedbehandling
For Norge og Sverige rettes billedets EXIF-orientering først, og billedet konverteres til RGB. Bicubic-skalering med antialiasing bevarer proportionerne og gør den korteste side 606 pixels. Derefter tages et centralt udsnit på 576 × 576 pixels. Farvekanalerne normaliseres med middelværdi 0,5 og standardafvigelse 0,5, og modellen modtager float32-data i NCHW-format. Billedet strækkes ikke til et kvadrat.
(RGB / 255 − 0.5) / 0.5Billedscore og kontekst
Sted og sæson kan hjælpe med at vurdere et fund, men ændrer ikke, hvad der er synligt på billedet. I den endeligt valgte norske og svenske model er vægten for den afprøvede fundstatistik-prior 0,0: denne prior ændrer derfor ikke deres billedbaserede rangering.
Har du et foto på computeren?
Du kan også genkende et foto i din browser. Webværktøjet bruger en onlinetjeneste; iPhone-appen analyserer lokalt, når du har hentet en landepakke.