SpeciesNet 是 Google 开源的物种识别 AI 模型，能自动从陷阱相机照片中识别近 2,500 种哺乳类、鸟类和爬行动物，显著加速生态监测和研究。自开源一年以来，全球多项项目（如坦桑尼亚的 Snapshot Serengeti、哥伦比亚的 Humboldt Institute、澳大利亚的 Wildlife Observatory 及美国爱达荷等）已将其用于处理海量影像并辅助保护濒危物种与分析栖息地变化。
概览
– SpeciesNet：Google 开源的图像识别模型，面向相机陷阱照片，覆盖近 2,500 个物种类别。
– 目标：减少人工标注负担、加速长期生态行为与种群趋势研究，支持保护决策。
实际应用案例
– 非洲（Snapshot Serengeti）
– 在坦桑尼亚塞伦盖蒂国家公园部署相机陷阱。
– 使用 SpeciesNet 在数天内处理此前积压的 1,100 万张照片，恢复数十年数据的可分析性。
– 南美（哥伦比亚 Humboldt Institute / Red Otus）
– 将 SpeciesNet 集成到 Wildlife Insights 平台，监测亚马逊等高生物多样性区域的物种动态与栖息地变化。
– 澳大利亚与美国爱达荷等地
– 本地组织利用模型识别本土独特物种并筛选海量图像以支持保护与管理工作。
技术与开放性要点
– 开源：模型在一年前开源，便于研究者和保护组织自建、定制与部署。
– 覆盖与效率：支持近 2,500 类别，大幅减少人工审图时间，使长期与大尺度监测成为可行。
对实践者的启示
– 可将 SpeciesNet 作为预处理工具：先自动筛选与初步分类，再由专家对重点样本复核以提高准确性。
– 本地化与微调：在物种分布或影像风格差异明显的区域，建议用本地标注数据微调模型以提升表现。
– 与现有平台集成：可结合 Wildlife Insights 等生态数据平台构建端到端监测流水线。
限制与注意事项
– 识别边界：模型对相似物种或遮挡/低质图像的识别可能不够准确，仍需人工验证关键判定。
– 伦理与隐私：部署相机与使用图像数据需遵守当地法规与社区协议，注意避免对人类活动的无意监测。
开源的物种识别模型已显著提高野生动保的数据处理效率，但在本地化和关键判读上仍需专家介入。