📣 公告

🚀 我们欢迎贡献！

我们很高兴地宣布，Pytorch-Wildlife 现在向社区开放贡献！
如果您想参与并帮助改进这个项目，我们非常欢迎您加入。

👉 请查看我们的贡献指南：

📚 如何参与

您可以在那里找到所需的一切——从如何选择一个议题，到提交您的第一个拉取请求。让我们一起建设它吧！🐾🌱

V 1.2.4

现在提供了 MIT YOLO 和 Apache RT‑DETR 模型的推理代码！要使用其中任何一个，只需像加载其他 PyTorch‑Wildlife 模型一样加载即可：

from pw_detection import MegaDetectorV6MIT, MegaDetectorV6Apache

# MIT YOLO
detector = MegaDetectorV6MIT(
    device=DEVICE,
    pretrained=True,
    version="MDV6-mit-yolov9-e"
)

# Apache RT‑DETR
detector = MegaDetectorV6Apache(
    device=DEVICE,
    pretrained=True,
    version="MDV6-apa-rtdetr-e"
)

有效版本：

• MDV6-mit-yolov9-c
• MDV6-mit-yolov9-e
• MDV6-apa-rtdetr-c
• MDV6-apa-rtdetr-e

您还可以使用演示文件夹中的 detection_classification_pipeline_demo.py 脚本尝试完整的流水线。

之前的版本：

• 新功能

👋 欢迎来到 Pytorch-Wildlife

PyTorch-Wildlife 是一个专为“AI 用于保护”社区设计的 AI 平台，旨在创建、修改和共享强大的 AI 保护模型。它允许用户直接加载各种模型，包括 MegaDetector、DeepFaune 和 HerdNet，这些模型均来自我们不断扩展的 模型库，可用于动物检测和分类。未来，我们还将纳入可用于水下图像和生物声学等应用的模型。我们希望为 AI 保护领域的从业者和开发者提供统一而简便的体验。我们非常感谢您对我们工作的支持，并热切期待您的反馈。

通过我们的 文档、交互式 HuggingFace Web 应用 或本地 演示和笔记本，探索 Pytorch-Wildlife 的代码库、功能和用户界面。

🚀 快速入门

👇 下面是一个使用 PyTorch‑Wildlife 对单张图片进行检测和分类的快速示例：

import numpy as np
from PytorchWildlife.models import detection as pw_detection
from PytorchWildlife.models import classification as pw_classification

img = np.random.randn(3, 1280, 1280)

# 检测
detection_model = pw_detection.MegaDetectorV6() # 模型权重会自动下载。
detection_result = detection_model.single_image_detection(img)

# 分类
classification_model = pw_classification.AI4GAmazonRainforest() # 模型权重会自动下载。
classification_results = classification_model.single_image_classification(img)

更多模型可在我们的 模型库 中找到。

⚙️ 安装 Pytorch-Wildlife

pip install PytorchWildlife

有关更多安装信息，请参阅我们的 安装指南。

📃 文档

请访问我们新推出的文档页面以获取更多信息：

🖼️ 示例

使用 MegaDetector 进行图像检测

鸣谢：哥伦比亚安第斯大学。

使用 MegaDetector 和 AI4GAmazonRainforest 进行图像分类

鸣谢：哥伦比亚安第斯大学。

使用 MegaDetector 和 AI4GOpossum 进行负鼠识别

鸣谢：厄瓜多尔加拉帕戈斯群岛生物安全与检疫监管局（ABG）。

:fountain_pen: 请引用我们！

我们最近发表了一篇关于 Pytorch-Wildlife 的综述论文（arXiv:2405.12930）。该论文已被今年的 CVPR 2024 会议上的 CV4Animals 研讨会 接受为口头报告。欢迎您引用我们的工作！

@misc{hernandez2024pytorchwildlife,
      title={Pytorch-Wildlife：用于保护工作的协作式深度学习框架},
      author={Andres Hernandez、Zhongqi Miao、Luisa Vargas、Sara Beery、Rahul Dodhia、Juan Lavista},
      year={2024},
      eprint={2405.12930},
      archivePrefix={arXiv},
}

此外，请别忘了引用我们关于 MegaDetector 的原始论文：

@misc{beery2019efficient,
      title={相机陷阱图像审查的高效流水线},
      author={Sara Beery、Dan Morris、Siyu Yang},
      year={2019},
      eprint={1907.06772},
      archivePrefix={arXiv},
}

🤝 现有合作伙伴与贡献者

Megadetector 的广泛协作努力真正激励了我们，我们非常珍视它对社区作出的重大贡献。在我们继续推进 Pytorch-Wildlife 的同时，我们对现有 MegaDetector 合作伙伴提供技术支持的承诺始终不变。

在此，我们列出了一些使用 MegaDetector 的组织。我们仅列出那些已授权我们在此提及，或公开分享过其使用 MegaDetector 经验的组织。

我们也在整理贡献者名单，并将在未来的更新中公布！感谢大家的付出！

👉 组织完整列表

• (新增) TerrOïko (OCAPI 平台)
• 亚利桑那州环境质量部
• Blackbird Environmental
• Camelot
• 加拿大公园与荒野协会（CPAWS）北阿尔伯塔分会
• Conservation X Labs
• 捷克生命科学大学布拉格校区
• EcoLogic Consultants Ltd.
• 多尼亚纳生物站
• 爱达荷州鱼类与野生动物局
• 岛屿保护组织
• 迈尔湖丁戈项目
• Point No Point 条约委员会
• 拉马特哈纳迪夫自然公园
• SPEA（葡萄牙鸟类研究学会）
• Synthetaic
• 塔龙加保护协会
• 自然保护协会怀俄明州分会
• TrapTagger
• 上黄石流域小组
• 维多利亚大学应用保护宏观生态学实验室
• 班夫国家公园资源保护部门, 加拿大公园管理局
• 加州大学洛杉矶分校布卢姆斯坦实验室
• 苏罗斯州立大学边境地区研究所
• 国会礁国家公园/犹他谷大学
• 美国自然历史博物馆生物多样性与保护中心
• 新南威尔士大学生态系统科学中心
• 麦考瑞大学跨文化生态学实验室
• DC猫计数项目, 由人道救援联盟牵头
• 爱达荷大学鱼类与野生动物科学系
• 佛罗里达大学野生动物生态与保护系
• 亚马孙脊椎动物生态与保护研究组, 阿帕州联邦大学
• 戈拉森林计划, 英国皇家鸟类保护协会（RSPB）
• 格雷厄姆·香农研究小组, 班戈大学
• Hamaarag, 特拉维夫大学施泰因哈特自然历史博物馆
• 温带森林科学研究所（ISFORT）, 魁北克大学乌塔韦分校
• 印度野生动物研究所比拉尔·哈比卜博士实验室
• 华盛顿州立大学哺乳动物空间生态与保护实验室
• 萨斯喀彻温大学麦克劳克林种群生态学实验室
• 史密森尼学会北部大平原项目
• 华盛顿大学定量生态学实验室
• 圣莫尼卡山脉休闲区, 美国国家公园管理局
• 西雅图城市食肉动物项目, 伍德兰公园动物园
• 塞拉多斯奥甘斯国家公园, ICMBio
• 史密森尼学会“Snapshot USA”项目
• 不列颠哥伦比亚大学野生动物共存实验室
• 俄勒冈州鱼类与野生动物局野生动物研究部门
• 密歇根州自然资源部野生动物司
• 柏林工业大学生态学系
• Ghost Cat Analytics
• 加拿大野生动物服务局保护区部门
• 塔斯马尼亚大学自然科学学院（相关报道)
• 肯纳伊国家野生动物保护区, 美国鱼类与野生动物管理局（相关报道)
• 澳大利亚野生动物保护协会（博客文章, 博客文章)
• 猫科动物保护基金（WildePod 平台)（博客文章)
• 阿尔伯塔生物多样性监测研究所（ABMI）（WildTrax 平台)（博客文章)
• 山水保护中心（中文博客文章, 翻译后的英文博客文章)
• 欧文牧场保护协会（相关报道)
• 野生动物保护解决方案公司（微软客户故事, 相关报道)
• 加州大学戴维斯分校道路生态学中心（野生动物观察者网络平台)
• 自然保护协会加州分会（Animl 平台)
• 圣地亚哥动物园野生动物联盟（Animl R 包)

[!重要] 如果您希望被列入此列表，或对 MegaDetector 和 Pytorch-Wildlife 有任何疑问，请发送邮件至我们 或加入我们的 Discord 社区：

CameraTraps (PyTorch-Wildlife) 快速上手指南

CameraTraps（现核心库为 PyTorch-Wildlife）是一个专为自然保护领域设计的协作式深度学习框架。它允许用户轻松加载和使用多种预训练模型（如 MegaDetector、DeepFaune、HerdNet 等），用于野生动物的检测与分类。

1. 环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：3.8 及以上版本
• 前置依赖：
  • PyTorch (框架会自动处理部分依赖，但建议预先安装适配您 GPU 版本的 PyTorch)
  • pip 包管理工具

提示：如果您需要使用 GPU 加速推理，请先前往 PyTorch 官网 安装对应 CUDA 版本的 PyTorch。

2. 安装步骤

使用 pip 直接安装 PyTorch-Wildlife 库。首次运行时，模型权重将自动下载。

pip install PytorchWildlife

国内加速建议： 如果下载速度较慢，推荐使用国内镜像源进行安装：

pip install PytorchWildlife -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 基本使用

以下是最简单的代码示例，演示如何对单张图像进行动物检测和物种分类。模型权重会在首次调用时自动下载。

import numpy as np
from PytorchWildlife.models import detection as pw_detection
from PytorchWildlife.models import classification as pw_classification

# 模拟一张图像数据 (实际使用时请替换为真实的图像数组，格式通常为 HWC 或 CHW)
# 这里仅作为形状示例：3 通道，1280x1280 分辨率
img = np.random.randn(3, 1280, 1280)

# --- 步骤 1: 动物检测 (Detection) ---
# 加载 MegaDetector V6 模型
detection_model = pw_detection.MegaDetectorV6() 
# 执行单图检测
detection_result = detection_model.single_image_detection(img)

# --- 步骤 2: 物种分类 (Classification) ---
# 加载 AI4G Amazon Rainforest 分类模型
classification_model = pw_classification.AI4GAmazonRainforest() 
# 执行单图分类
classification_results = classification_model.single_image_classification(img)

# 打印结果示例
print("检测结果:", detection_result)
print("分类结果:", classification_results)

说明：

• MegaDetectorV6()：用于检测图像中是否存在动物、人或车辆，并返回边界框。
• AI4GAmazonRainforest()：用于对裁剪出的动物图像进行具体物种分类。
• 更多可用模型（如针对负鼠、特定区域物种的模型）请访问官方 Model Zoo。