Google Research
Google Research has open-sourced SpeciesNet, an AI model trained on 65 million images that can automatically identify nearly 2,500 animal species to accelerate global wildlife conservation efforts.
AI 生成摘要
Google Research 已將 SpeciesNet 開源，這款利用 6,500 萬張圖像訓練的 AI 模型可自動辨識近 2,500 種動物，進而加速全球野生動物保育工作。
2026 年 3 月 6 日
Tanya Birch，高級專案經理，以及 Dan Morris，Google Research 研究科學家
一年前，SpeciesNet 正式開源，這是一款利用 AI 自動辨識紅外線觸發相機（camera trap）影像中物種的工具。現在，使用這款由 Google 開發的工具來推動研究與保育工作的人數創下歷史新高。
動態觸發相機（或稱「紅外線自動相機」）正為從一般住戶到公園管理員的所有人，提供前所未有的在地野生動物觀察視角。雖然好奇的後院使用者或許能用肉眼辨識出小動物，但大型專案現在收集了成千上萬甚至數百萬張野生動物影像，若要手動辨識可能需要數十年的時間。
今天，越來越多的人正透過 SpeciesNet 使用 AI 來辨識影像中的動物。這款由 Google 開發的 AI 模型可以分類紅外線相機影像中近 2,500 種動物類別，這要歸功於保育合作夥伴提供了 6,500 萬張標記影像來訓練模型。SpeciesNet 最初是線上平台 Wildlife Insights 的一部分，一年前我們將其作為開源工具發布，供他人下載、調整與改進。
在過去的 12 個月中，全球各地的研究團隊已使用開源的 SpeciesNet 模型來發現哥倫比亞的美洲獅和虎貓、愛達荷州的馬鹿和黑熊、澳洲的食火雞和麝香袋鼠，以及坦尚尼亞塞倫蓋提國家公園的獅子和非洲象。這款 AI 模型讓更多人能夠針對野生動物模式和保育提出更廣泛的問題。
SpeciesNet 是 Google Earth AI 的一部分，後者是一系列地理空間工具、數據集和 AI 模型，旨在實現深度的地球智慧。Earth AI 賦予社群和非營利組織力量，以應對地球上一些最緊迫的需求。
由坦尚尼亞塞倫蓋提國家公園的 Snapshot Serengeti 計畫拍攝的影像顯示了夜間的一群大象、一隻威風凜凜的雄獅、斑馬的側面，以及一隻似乎正看著鏡頭的疣豬。圖片來源：Snapshot Serengeti / T.M. Anderson
如今，幾乎所有有效的野生動物監測都依賴於動態觸發的野生動物紅外線相機。相機通常安裝在樹上。在大多數情況下，散發熱量的物體移動會觸發幾秒鐘的連拍影像。日益普及且價格合理的技術讓專案能夠部署數十甚至數百台相機，產生龐大的數據量。
SpeciesNet 利用深度學習自動辨識紅外線相機照片中出現的動物物種。這種自動化加速了研究，促進了更高效的數據分析，並最終支持了更明智的管理與保育決策。
辨識動物對於評估族群健康狀況並獲得任何變化的早期預警至關重要；這也有助於研究動物遷徙（特別是因應氣候變遷）；並獲得有證據支持的族群規模估算以管理這些族群。發現稀有或瀕危物種對於了解和保護受威脅的族群也至關重要。
SpeciesNet 是一個全球規模的模型，可分類 2,498 個類別，包括哺乳動物、鳥類和爬行動物。SpeciesNet 與另一個開源模型 MegaDetector 協作，以確定哪些影像（以及影像中的哪些像素）包含動物。SpeciesNet 會為其辨識出的每隻動物生成物種名稱和置信水準，包括單張影像中出現多隻同種或不同種的動物。SpeciesNet 在標準筆記型電腦上每天可處理約 30,000 張影像，在低階電競 GPU 上每天可處理 250,000 張或更多影像。
這些影像是哥倫比亞安地斯大學（Universidad de los Andes）的 Project Lucitania 所拍攝，該計畫是國家 Red Otus 專案的參與者之一。左圖：虎貓，一種在美國南部和墨西哥瀕臨滅絕，但在南美洲仍然常見的小型野貓。右圖：一隻在昏暗光線下幾乎看不見的美洲獅（也稱為山獅）。圖片來源：Project Lucitania/Universidad de los Andes/Red Otus
自 2019 年以來，SpeciesNet 已在基於 Google Cloud 的 Wildlife Insights 平台上運行。Wildlife Insights 是一個社群平台，託管了約 2 億張具有人工驗證標籤的影像。SpeciesNet 協助 Wildlife Insights 使用者標記影像；而這些經過人工驗證的標記影像反過來又為 SpeciesNet 提供訓練數據。
SpeciesNet 是在超過 6,500 萬張影像的數據集上訓練而成的，其中包括來自 Wildlife Insights 使用者社群的精選影像，以及來自公開資源庫的標記影像。該模型使用卷積神經網絡，在不同的光照、角度和與目標距離的條件下，盡可能辨識出物種級別的動物。這個廣泛的訓練數據集使 SpeciesNet 模型在紅外線相機專案的獨立測試集中，能找出 99.4% 包含動物的影像。在 83% 的情況下，它能將動物分類到物種級別，且其中 94.5% 的預測是正確的。關於模型訓練數據、效能和評估的更多細節，可以在我們 2024 年的出版物中找到。
由愛達荷州魚類和野生動物管理局（IDFG）拍攝的影像顯示了一個黑熊家族、一隻郊狼、一隻黑尾鹿和一隻馬鹿。IDFG 使用數百台紅外線相機來監測物種，特別是在該州森林較茂密的北部地區。圖片來源：Idaho Department of Fish and Game
在過去的一年裡，一些傑出的專案包括：
由澳洲野生動物觀測站（WildObs）拍攝的影像，該組織是訓練開源版 SpeciesNet 以辨識更多在地重要物種的團體之一。左圖：一對似乎正在摔跤的紅腿小袋鼠（一種袋鼠）。中圖：一隻橙腳塚雉。右圖：一隻正對著鏡頭看的食火雞。圖片來源：Wildlife Observatory of Australia
透過將 SpeciesNet 作為開源資源發布，我們的目標是促進全球在野生動物監測和保育方面的合作並加速進展。GitHub 儲存庫提供了運行和調整模型所需的程式碼、文件和資源。我們鼓勵社群繼續為該專案做出貢獻、改進模型並擴展其功能，就像開源工具的早期採用者所做的那樣。
對於偏好使用能輕鬆快速運行 SpeciesNet 並協助管理數據、與其他團體協作的平台的研究團隊或個人，我們鼓勵探索 Wildlife Insights 平台——這是生物多樣性監測與管理的全球資源。
從狒狒到小袋鼠，SpeciesNet 代表了野生動物影像分析自動化與加速的重要一步。我們的目標是支持 AI 模型的開發，透過持續的協作努力來了解並保護全球的生物多樣性。
感謝所有對 Wildlife Insights 做出貢獻、讓 SpeciesNet 成為可能的科學家。特別感謝領導 SpeciesNet 訓練的 Tomer Gadot 和 Ștefan Istrate。對使用 SpeciesNet 有疑問的專案請聯繫 cameratraps@google.com。
2026 年 3 月 4 日
2026 年 2 月 17 日
2026 年 2 月 9 日
