Fra et bilde til et nærmere blikk.
Sommerfugl ID foreslår hva du kan ha funnet. Dine egne observasjoner og artsguiden hjelper deg å undersøke det.
- 01
Velg riktig land.
Bruk landet der du fant sommerfuglen. Landene har ulike artslister og modeller. Språket ditt forblir det samme.
- 02
Gjør sommerfuglen synlig.
Et skarpt bilde med vingene synlige gir modellen mer å jobbe med. Unngå stor avstand, bevegelsesuskarphet og urolige bakgrunner.
- 03
Sammenlign forslagene.
Se på tegninger, vingeform og lignende arter. Modellens sikkerhet er en poengsum, ikke en garanti for riktig identifikasjon.
Uten nett på iPhone. På nett i nettleseren.
iPhone-appen laster ned en landmodell og guide for lokal bruk. Nettverktøyet sender et valgt bilde til serveren for analyse og krever internett.
Et forslag er et utgangspunkt. Undersøk kjennetegn og alternativer før du bekrefter et sjeldent eller usikkert funn.
Hvordan lærer en modell å kjenne igjen en sommerfugl?
En bildemodell lærer mønstre i fotografier: vingeform, tegninger og farger. Hvert land har sin egen modell og artsliste. Opplysningene nedenfor beskriver den dokumenterte treningen for Norge og Sverige; den danske modellen har sitt eget treningsforløp.
- Modellarkitektur
- EfficientNetV2-M
- Bildestørrelse
- 576 × 576 px
- Modellklasser
- 102 i Norge · 110 i Sverige
Et grunnlag fra ImageNet
Norge og Sverige bruker EfficientNetV2-M, et nevralt nettverk for bildegjenkjenning. Det starter med vekter fra ImageNet-21k, viderejustert på ImageNet-1k, og finjusteres deretter på merkede bilder av landets sommerfuglarter. Dette kalles transfer learning.
Adskilte trenings- og testbilder
Bildene fordeles i faste grupper med et mål på 80 % til trening, 10 % til validering og 10 % til test. Bilder fra samme registrerte observasjon holdes samlet. Perseptuelle bildehasher grupperer også nesten identiske bilder innenfor samme art, slik at gruppene ikke fordeles på tvers av delene.
Trening, utvalg og evaluering
Tilfeldige bildevariasjoner brukes under treningen, og et eksponentielt glidende gjennomsnitt av modellvektene (EMA) gir kandidatmodeller. Valideringsdelen brukes til å velge modellen. Først deretter evalueres den valgte modellen én gang på den låste testdelen. Tilfeldige treningsvariasjoner brukes ikke ved gjenkjenning.
Fra piksler til et forslag
Modellen gir én rå skår, en logit, for hver modellklasse. Softmax omformer skårene til verdier som brukes til å rangere forslagene. En fast klassenøkkel kobler hver skår til riktig art. Landpakken gjør modellen tilgjengelig lokalt på iPhone; det valgte språket bestemmer navnene og tekstene.
Den nøyaktige bildebehandlingen
For Norge og Sverige korrigeres bildets EXIF-orientering først, og bildet konverteres til RGB. Bikubisk skalering med antialiasing bevarer proporsjonene og gjør den korteste siden 606 piksler. Deretter tas et sentralt utsnitt på 576 × 576 piksler. Fargekanalene normaliseres med middelverdi 0,5 og standardavvik 0,5, og modellen mottar float32-data i NCHW-format. Bildet strekkes ikke til et kvadrat.
(RGB / 255 − 0.5) / 0.5Bildeskår og kontekst
Sted og årstid kan hjelpe med å vurdere et funn, men endrer ikke hva som er synlig på bildet. I de endelig valgte norske og svenske modellene er vekten for den utprøvde prioren fra funnstatistikk 0,0. Denne prioren endrer derfor ikke den bildebaserte rangeringen.
Har du et bilde på datamaskinen?
Du kan også identifisere et bilde i nettleseren. Nettverktøyet bruker en nettjeneste; iPhone-appen analyserer bilder lokalt etter at du har lastet ned en landpakke.