Från en bild till en närmare titt.
Sommerfugl ID föreslår vad du kan ha hittat. Dina egna observationer och artguiden hjälper dig att undersöka det.
- 01
Välj rätt land.
Använd landet där du hittade fjärilen. Länderna har olika artlistor och modeller. Ditt språk förblir detsamma.
- 02
Gör fjärilen synlig.
En skarp bild där vingarna syns ger modellen mer att arbeta med. Undvik långa avstånd, rörelseoskärpa och röriga bakgrunder.
- 03
Jämför förslagen.
Titta på mönster, vingform och liknande arter. Modellens säkerhet är ett värde, inte en garanti för rätt identifiering.
Offline på iPhone. Online i webbläsaren.
iPhone-appen hämtar en landmodell och guide för lokal användning. Webbverktyget skickar en vald bild till servern för analys och kräver internet.
Ett förslag är en utgångspunkt. Undersök kännetecken och alternativ innan du bekräftar ett sällsynt eller osäkert fynd.
Hur lär sig en modell att känna igen en fjäril?
En bildmodell lär sig mönster i fotografier: vingform, teckning och färger. Varje land har sin egen modell och artlista. Uppgifterna nedan beskriver den dokumenterade träningen för Norge och Sverige; den danska modellen har en egen träningsprocess.
- Modellarkitektur
- EfficientNetV2-M
- Bildstorlek
- 576 × 576 px
- Modellklasser
- 102 i Norge · 110 i Sverige
En grund från ImageNet
Norge och Sverige använder EfficientNetV2-M, ett neuralt nätverk för bildigenkänning. Det börjar med vikter från ImageNet-21k, vidarejusterade på ImageNet-1k, och finjusteras sedan på märkta bilder av landets fjärilsarter. Detta kallas transfer learning.
Separata tränings- och testbilder
Bilderna delas in i fasta grupper med ett mål på 80 % för träning, 10 % för validering och 10 % för test. Bilder från samma registrerade observation hålls samman. Perceptuella bildhashar grupperar också nästan identiska bilder inom samma art, så att grupperna inte sprids över delarna.
Träning, urval och utvärdering
Slumpmässiga bildvariationer används under träningen, och ett exponentiellt glidande medelvärde av modellvikterna (EMA) ger kandidatmodeller. Valideringsdelen används för att välja modellen. Först därefter utvärderas den valda modellen en gång på den låsta testdelen. Slumpmässiga träningsvariationer används inte vid identifiering.
Från pixlar till ett förslag
Modellen ger en rå poäng, en logit, för varje modellklass. Softmax omvandlar poängen till värden som används för att rangordna förslagen. En fast klassnyckel kopplar varje poäng till rätt art. Landpaketet gör modellen tillgänglig lokalt på iPhone; det valda språket bestämmer namnen och texterna.
Den exakta bildbehandlingen
För Norge och Sverige korrigeras bildens EXIF-orientering först och bilden konverteras till RGB. Bikubisk skalning med antialiasing bevarar proportionerna och gör den kortaste sidan 606 pixlar. Därefter tas ett centralt utsnitt på 576 × 576 pixlar. Färgkanalerna normaliseras med medelvärde 0,5 och standardavvikelse 0,5, och modellen får float32-data i NCHW-format. Bilden sträcks inte till en kvadrat.
(RGB / 255 − 0.5) / 0.5Bildpoäng och sammanhang
Plats och årstid kan hjälpa till att bedöma ett fynd, men ändrar inte vad som syns på bilden. I de slutligt valda norska och svenska modellerna är vikten för den utvärderade priorn från fyndstatistik 0,0. Denna prior ändrar därför inte den bildbaserade rangordningen.
Har du en bild på datorn?
Du kan också identifiera en bild i webbläsaren. Webbverktyget använder en onlinetjänst; iPhone-appen analyserar bilder lokalt när du har hämtat ett landpaket.