---
title: "Näin se toimii · Butterfly ID"
description: "Butterfly ID ehdottaa, mitä olet ehkä löytänyt. Oma havaintosi ja lajiopas auttavat varmistamaan sen. Ilmainen perhossovellus iPhonelle. Tunnista…"
url: https://www.sommerfugl-id.dk/fi/hvordan-virker-det
language: fi
translations:
  da: https://www.sommerfugl-id.dk/da/hvordan-virker-det
  de: https://www.sommerfugl-id.dk/de/hvordan-virker-det
  en: https://www.sommerfugl-id.dk/en/hvordan-virker-det
  nb: https://www.sommerfugl-id.dk/no/hvordan-virker-det
  sv: https://www.sommerfugl-id.dk/sv/hvordan-virker-det
---

# Kuvasta tarkempaan katseeseen.

Butterfly ID ehdottaa, mitä olet ehkä löytänyt. Oma havaintosi ja lajiopas auttavat varmistamaan sen.

## 1. Valitse oikea maa.

Valitse maa, josta löysit perhosen. Eri mailla on eri lajiluettelot ja mallit. Kielesi pysyy samana.

## 2. Anna perhosen näkyä.

Terävä kuva, jossa siivet näkyvät, antaa mallille enemmän tietoa. Vältä kaukana olevia kohteita, liike-epäterävyyttä ja levotonta taustaa.

## 3. Vertaa ehdotuksia.

Katso kuvioita, siiven muotoa ja samannäköisiä lajeja. Mallin varmuus on pistemäärä, ei takuu siitä, että tunnistus on oikea.

## iPhonessa ilman verkkoa. Selaimessa verkossa.

iPhone-sovellus lataa maan mallin ja oppaan käytettäväksi puhelimessa. Verkkotyökalu lähettää valitsemasi kuvan palvelimelle analysoitavaksi ja tarvitsee internetyhteyden.

Ehdotus on lähtökohta. Tarkista tuntomerkit ja vaihtoehdot, ennen kuin vahvistat harvinaisen tai epävarman havainnon.

## Miten malli oppii tunnistamaan perhosen?

Kuvamalli oppii tunnistamaan valokuvista toistuvia piirteitä: siiven muodon, kuviot ja värit. Jokaisella maalla on oma mallinsa ja lajiluettelonsa. Alla kuvataan Norjan, Ruotsin ja Saksan mallien dokumentoitu koulutus (Iso-Britannian, Irlannin ja Suomen malleissa on sama malliarkkitehtuuri ja kuvien esikäsittely). Tanskan mallilla on oma koulutusprosessinsa.

- Mallin arkkitehtuuri: EfficientNetV2-M
- Kuvakoko: 576 × 576 px
- Mallin luokat: 102 Norjassa · 110 Ruotsissa · 170 Saksassa

### 1. Pohja ImageNetistä

Norja, Ruotsi ja Saksa käyttävät EfficientNetV2-M-mallia, joka on kuvantunnistukseen tarkoitettu neuroverkko. Se lähtee liikkeelle ImageNet-21k-painoista, joita on hienosäädetty edelleen ImageNet-1k-aineistolla. Sen jälkeen malli hienosäädetään kunkin maan perhoslajien nimetyillä valokuvilla. Tätä kutsutaan siirto-oppimiseksi.

### 2. Erilliset koulutus- ja testikuvat

Kuvat jaetaan kiinteisiin ryhmiin niin, että tavoitteena on 80 % koulutukseen, 10 % validointiin ja 10 % testaukseen. Saman kirjatun havainnon kuvat pysyvät yhdessä. Lisäksi kuvan sisältöön perustuvat tiivisteet (perceptual hash) ryhmittelevät lähes identtiset valokuvat kunkin lajin sisällä, ja jokainen tällainen ryhmä pidetään samassa osiossa.

### 3. Koulutus, valinta ja arviointi

Koulutuksen aikana kuviin tehdään satunnaisia muunnoksia, ja mallin painojen eksponentiaalinen liukuva keskiarvo (EMA) tuottaa ehdokasmalleja. Malli valitaan validointiosion perusteella. Vasta sitten valittu malli arvioidaan kerran lukitulla testiosiolla. Satunnaisia koulutusmuunnoksia ei käytetä tunnistuksen aikana.

### 4. Pikseleistä ehdotukseen

Malli tuottaa jokaiselle mallin luokalle yhden raakapistemäärän, niin sanotun logit-arvon. Softmax muuntaa pistemäärät arvoiksi, joiden perusteella ehdotukset järjestetään. Kiinteä luokkakartoitus yhdistää jokaisen pistemäärän oikeaan lajiin. Maapaketin ansiosta malli toimii paikallisesti iPhonessa; valittu kieli määrää nimet ja tekstit.

### Kuvan tarkka esikäsittely

Norjan, Ruotsin ja Saksan malleissa korjataan ensin EXIF-tiedon mukainen kuvan suunta, ja kuva muunnetaan RGB-muotoon. Bikuubinen koon muutos reunanpehmennyksellä säilyttää kuvasuhteen ja tekee lyhyemmästä sivusta 606 pikseliä. Sen jälkeen kuvasta rajataan keskeltä 576 × 576 pikselin alue. Värikanavat normalisoidaan keskiarvolla 0,5 ja keskihajonnalla 0,5, ja malli saa float32-dataa NCHW-muodossa. Kuvaa ei venytetä neliöksi.

`(RGB / 255 − 0.5) / 0.5`

### Kuvan pistemäärät ja taustatiedot

Sijainti ja vuodenaika voivat auttaa havainnon arvioinnissa, mutta ne eivät muuta sitä, mitä valokuvassa näkyy. Lopullisiksi valituissa Norjan, Ruotsin ja Saksan malleissa arvioidun, havaintotilastoihin perustuvan priorin painoarvo on 0,0, joten se ei muuta niiden kuvaan perustuvaa järjestystä.

### Mitä arviointi voi kertoa

Hyvä tulos testikuvilla ei ole takuu maastossa. Vanhemmista kuvakansioista puuttuvat havaintotunnisteet, joten kuvatiivisteillä ei voida sulkea pois kaikkea saman havainnon kuvien päällekkäisyyttä. Epäterävät valokuvat, harvinaiset lajit ja mallin luettelon ulkopuoliset lajit voivat johtaa virheisiin. Vertaa aina tuntomerkkejä ja vaihtoehtoja lajioppaassa.

## Onko kuva tietokoneellasi?

Voit tunnistaa kuvan myös selaimessa. Verkkotyökalu käyttää verkkopalvelua. iPhone-sovellus taas analysoi kuvat puhelimessa, kun olet ladannut maapaketin.

[Tunnista kuva verkossa](https://www.sommerfugl-id.dk/fi/identify/fi)
