DeepForestVision: Automated wildlife identification for camera traps of African tropical forests

Source Agritrop Cirad (agritrop.cirad.fr) * Autres projets (id;sigle;titre): ;;(FRA) Sebitoli Chimpanzee// International audience Tropical forests are rich in biodiversity but face the rapid loss of their wildlife due to increasing anthropogenic pressure, underscoring the urgent need for effective monitoring. Remote-sensing tools such as camera traps offer faster, less invasive alternatives to human observations. These technologies can provide complementary insights into elusive species, especially in habitats that are difficult to access through direct observation. However, analysing the large volumes of data they produce is labour-intensive, often leaving datasets underutilised due to limited human resources. Deep learning algorithms can automate aspects of data analysis, but their value to research and conservation efforts depends on their ability to reliably identify target species and be easily deployed in field conditions. To improve wildlife monitoring in African forests using camera trap data, we develop DeepForestVision, the first deep learning algorithm tailored to these challenging habitats that can be used in the field to process both photographs and videos. DeepForestVision was trained on an unprecedented dataset of 2,775,671 photographs and 221,982 videos gathered from camera traps from more than 63 research sites across 11 African countries. It identifies 33 non-human vertebrate taxa, including 31 mammal taxa, from the most common to the most threatened ones observed on ground-level camera traps, as well as humans, vehicles and blank photographs or videos. Classification tests demonstrate that DeepForestVision achieves an accuracy of 87.7% on the video test set with 23 taxa. It outperforms the three existing species identification algorithms applicable to these environments: Zamba by 13.1%, Mbaza by 45.0% and SpeciesNet by 37.7%. We provide the model weights for researchers and developers and offer DeepForestVision through a free offline interface. The interface is designed to function in the field in a low-resource setting and requires no programming expertise. Solution: DeepForestVision is a reliable field tool for monitoring species observed on camera trap photos and videos in African tropical forests. Used by research, conservation, private or political actors, it can guide conservation strategies inside and outside of protected areas, and thus contribute to reducing the loss of biodiversity in African tropical forests. Les forêts tropicales africaines sont les habitats terrestres les plus riches en biodiversité, mais elles subissent une perte rapide de leur faune en raison de la pression anthropique croissante. Afin de répondre à l'urgence d'un suivi efficace de cette biodiversité, les outils de télédétection comme les caméras à détection automatique offrent des alternatives plus rapides et moins invasives que les observations humaines, en particulier pour des espèces cryptiques et dans des habitats difficiles d'accès. Néanmoins, l'analyse des grands volumes de données issues de ces équipements est chronophage, et les données acquises sont fréquemment sous-utilisées en raison de ressources humaines limitées. Des algorithmes d'intelligence artificielle permettent d'automatiser certains aspects de l'analyse, mais leur utilité pour la recherche et la conservation dépend de leur fiabilité pour identifier les espèces cibles et de leur capacité à être facilement déployés sur le terrain.Dans le cadre de l'initiative One Forest Vision (oneforestvision.org), nous avons développé DeepForestVision, le premier algorithme d'apprentissage profond adapté à ces habitats exigeants, capable de traiter sur le terrain à la fois des photos et des vidéos. DeepForestVision a été entraîné sur un jeu de données sans précédent comprenant 2,775,671 photos et 221,982 vidéos issues de caméras automatiques collectées sur 63 sites de recherche répartis dans 11 pays africains. Il identifie 33 taxons de vertébrés non humains, dont 31 taxons de mammifères, allant des plus communs aux plus menacés observés au niveau du sol. Testé sur un jeu de données vidéos du Sebitoli Chimpanzee Project dans le parc national de Kibale en Ouganda, DeepForestVision réalise 87.7% de prédictions correctes pour les 23 taxons présents, surpassant les trois algorithmes existants applicables à ces environnements: Zamba (+13.1%), Mbaza (+45.0%) et SpeciesNet (+37.7%).DeepForestVision est accessible gratuitement dans AddaxAI, une interface hors ligne conçue pour fonctionner sur le terrain dans un contexte à faibles ressources et ne nécessitant aucune compétence informatique. Nous mettons également à disposition les poids du modèle pour la communauté scientifique.Solution: DeepForestVision est un outil fiable pour le suivi des espèces observées sur les photos et vidéos issues de caméras automatiques dans les forêts tropicales africaines. Utilisé par des acteurs de la recherche, de la conservation, du secteur privé ou des politiques publiques, il pourra orienter les stratégies de conservation à l'intérieur et à l'extérieur des aires protégées, et ainsi contribuer à la préservation de la biodiversité animale.