WildCount: Embedded Deep Learning for Wildlife Recognition
WildCount : Apprentissage profond embarqué pour la reconnaissance de la faune
Résumé
Machine learning methods are used to detect and identify wild animals. These methods often require large annotated datasets and significant computational resources. This project investigates using lightweight deep learning models to improve performance with low-resolution images, allowing deployment on low-power devices. Starting with a preprocessing phase to address dataset imbalance through data augmentation techniques, we explore the design of convolutional neural networks under strict constraints (model size, memory, energy). Additionally, we examine transfer learning strategies, adapting pre-trained models to our specific context. Our results highlight the impact of unbalanced datasets on model performance, demonstrating that it is possible to maintain an accuracy of around 80%, while reducing the model size by a factor of ten. This is achieved in the task of classifying images into 11 distinct categories of wild animals. These findings suggest that efficient low-cost wildlife monitoring systems are feasible, even in environments with limited resources, paving the way for more extensive ecological data collection in the field.
Des méthodes d’apprentissage automatique sont utilisées pour détecter et identifier les animaux sauvages. Ces méthodes nécessitent souvent de grands ensembles de données annotées ainsi que d’importantes ressources de calcul. Ce projet explore l’utilisation de modèles légers d’apprentissage profond afin d’améliorer les performances avec des images en basse résolution, permettant ainsi le déploiement sur des dispositifs à faible consommation d’énergie. Après une phase de prétraitement visant à corriger le déséquilibre des ensembles de données grâce à des techniques d’augmentation, nous étudions la conception de réseaux de neurones convolutifs sous des contraintes strictes (taille du modèle, mémoire, énergie). Nous examinons également des stratégies d’apprentissage par transfert, en adaptant des modèles pré-entraînés à notre contexte spécifique. Nos résultats mettent en évidence l’impact des ensembles de données déséquilibrés sur la performance des modèles, et montrent qu’il est possible de maintenir une précision d’environ 80 %, tout en réduisant la taille du modèle d’un facteur dix. Finalement, nous classons les images en onze catégories distinctes d’animaux sauvages. Ces résultats suggèrent que des systèmes de suivi de la faune efficaces et peu coûteux sont envisageables, même dans des environnements disposant de ressources limitées, ouvrant ainsi la voie à une collecte de données écologiques plus large sur le terrain.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |