En cours de développement

CamerID est une application locale dédiée au traitement des photographies issues de pièges photographiques. Elle permet d'automatiser l'analyse de grands volumes d'images, de détecter automatiquement les animaux, humains ou véhicules, puis d'identifier les espèces grâce à des modèles exécutés directement sur l'ordinateur (hors ligne). Pensé pour les suivis naturalistes et scientifiques, CamerID génère des résultats exploitables sous forme de tableaux CSV et peut produire des images annotées avec cadres, étiquettes et indices de confiance.

Interface principale de CamerID avec affichage d'une analyse.

Contexte du projet

Dans les suivis naturalistes par pièges photographiques, l'analyse des images repose encore très souvent sur des traitements manuels longs, répétitifs et difficiles à maintenir lorsque les volumes de données augmentent. Les campagnes de terrain peuvent produire plusieurs milliers, voire plusieurs dizaines de milliers de photographies, qu'il faut trier, interpréter, annoter et transformer en données exploitables. L'objectif de CamerID est donc de développer un outil local et fluide, capable d'accompagner les principales étapes de ce travail : importer un dossier d'images, détecter les individus, identifier les espèces, vérifier les résultats, annoter les médias et exporter les données.

Le logiciel a été conçu autour du besoin de faciliter le traitement de photographies issues de protocoles de suivi de la faune sauvage. Il s'adresse aussi bien aux naturalistes réalisant des vérifications ponctuelles qu'aux bureaux d'études, associations, gestionnaires d'espaces naturels ou chercheurs manipulant de grands ensembles d'images. CamerID vise à réduire le temps passé sur les tâches répétitives tout en conservant une lecture claire des résultats, des indices de confiance et des métadonnées utiles comme le site, la caméra, la date ou l'heure de prise de vue.

Une attention particulière a été portée au fonctionnement local du logiciel. Dans de nombreux contextes de terrain, les données naturalistes peuvent être volumineuses ou sensibles. CamerID privilégie donc une approche offline-first, les modèles de détection et d'identification sont exécutés sur l'ordinateur de l'utilisateur, sans recours à une API externe pendant l'analyse. Cette architecture permet de garder la maîtrise des fichiers, de travailler sans connexion une fois les modèles installés et de rendre les traitements plus reproductibles.

Développé entièrement en autodidacte, CamerID s'inscrit dans la continuité de mes projets visant à créer des outils numériques réellement adaptés aux pratiques naturalistes. Il combine vision par ordinateur, intelligence artificielle, gestion de métadonnées, annotation automatique et développement d'une application desktop multiplateforme afin de proposer un logiciel pensé pour les besoins concrets des suivis écologiques par pièges photographiques.

Analyse et traitement des images

Le coeur de CamerID repose sur un pipeline d'analyse automatisée des photographies issues de pièges photographiques. Les images sont d'abord parcourues par MegaDetector v6, un modèle spécialisé dans la détection d'animaux, d'humains et de véhicules. Cette première étape permet de localiser les éléments d'intérêt dans chaque photographie et de distinguer rapidement les images vides, les passages exploitables et les détections nécessitant une vérification.

À partir des détections obtenues, CamerID peut extraire les zones correspondant aux individus repérés afin de les transmettre à un modèle de classification. Cette étape peut s'appuyer sur des modèles spécialisés comme DeepFaune ou SpeciesNet, mais aussi sur un modèle local développé spécifiquement pour un protocole, une région ou un groupe taxonomique donné. Le logiciel associe alors à chaque détection une identification et un indice de confiance, permettant de hiérarchiser les résultats et de repérer rapidement les cas incertains.

L'application permet de visualiser rapidement les images analysées avec leurs annotations, cadres de détection, étiquettes d'identification et scores de confiance. Les paramètres offrent la possibilité d'ajuster la sensibilité des modèles, notamment les seuils de détection et de classification, afin d'adapter le comportement du pipeline aux objectifs du projet, à la qualité des images ou au niveau de prudence souhaité lors de l'identification.

Interface principale de CamerID suite à une analyse.

Dans un second temps, l'onglet Galerie permet de consulter l'ensemble des photographies présentes dans le répertoire analysé. Il offre une vue d'ensemble utile pour contrôler rapidement la qualité globale des données : cadrage, luminosité, déclenchements intempestifs, images floues, problèmes de positionnement ou défauts éventuels liés au protocole de pose des pièges photographiques.

La galerie permet de contrôler visuellement ses photos.

Enfin, l'onglet Résultats donne accès à un tableau synthétique des données produites par l'analyse. Chaque ligne renvoie directement vers la photographie correspondante, ce qui facilite la vérification rapide des observations pertinentes. Le tableau peut être trié et filtré comme dans un tableur classique, par exemple par site, caméra, date, identification ou indice de confiance, afin de retrouver rapidement les données à contrôler, exporter ou intégrer dans un suivi naturaliste.

Les résultats peuvent être exportés au format CSV pour une analyse statistique a posteriori.

Un outil pensé pour les naturalistes

CamerID a été conçu pour être utilisable sans compétences techniques particulières en intelligence artificielle. L'objectif n'est pas de demander à l'utilisateur de manipuler directement des modèles, des scripts ou des environnements complexes, mais de proposer une interface claire permettant de sélectionner un dossier, lancer une analyse, visualiser les résultats et ajuster quelques paramètres essentiels. Le logiciel cherche ainsi à rendre les outils de vision par ordinateur plus accessibles aux naturalistes, aux gestionnaires d'espaces naturels, aux bureaux d'études et aux structures associatives.

L'ergonomie de l'application vise à rapprocher le traitement automatisé des images des habitudes de travail déjà présentes sur le terrain, c'est-à-dire de parcourir des photographies, vérifier des identifications, comparer des résultats, corriger les cas incertains et produire un tableau exploitable. Les indices de confiance, les annotations visuelles et les filtres de résultats permettent de concentrer l'effort humain sur les observations qui méritent réellement une vérification, plutôt que sur l'ensemble brut des images collectées.

Les photographies positives peuvent être annotées d'un cadre permetant de contrôler ce que le modèle "voit".

CamerID accorde également une importance particulière à la structuration des données produites. Les résultats sont exportés dans un format tabulaire simple, notamment en CSV, avec des informations essentielles comme le chemin du fichier, le site, la caméra, la date, l'heure, l'identification et l'indice de confiance. Ce standard de sortie facilite l'intégration des données dans des tableurs, des bases de données ou des outils d'analyse statistique comme R, Python ou QGIS.

En combinant automatisation, CamerID permet de gagner du temps sur les tâches répétitives tout en conservant la possibilité de contrôler, documenter et valoriser les observations. Le logiciel ne remplace pas l'expertise naturaliste ; il l'assiste en lui fournissant un environnement plus fluide pour traiter de grands volumes d'images et transformer les photographies en données écologiques exploitables.

Classificateurs et modèle personnel

CamerID permet d'utiliser plusieurs approches de classification afin de comparer les résultats et d'adapter l'analyse au contexte du projet. En l'état, le logiciel peut s'appuyer sur DeepFaune, une initiative portée par une équipe du CNRS et reconnue dans le domaine du traitement des images issues de pièges photographiques. DeepFaune vise justement à automatiser la classification d'images et de vidéos de faune sauvage, notamment pour la faune française hexagonale, à partir de modèles entraînés sur de larges bases d'images annotées (source).

CamerID intègre également SpeciesNet, un modèle développé par Google pour l'identification d'espèces sur images de pièges photographiques. SpeciesNet constitue un point de comparaison intéressant, car il a été pensé pour fonctionner sur une grande diversité de contextes géographiques et taxonomiques. Google indique que ce modèle a été entraîné sur plusieurs dizaines de millions d'images et qu'il peut classifier un très grand nombre de catégories animales (source).

En complément de ces modèles existants, j'ai conçu un modèle local personnel, entraîné spécialement autour de la faune observée dans ma région. Cette démarche n'avait pas pour objectif de remplacer des modèles plus généralistes ou déjà reconnus, mais plutôt d'explorer concrètement les étapes de construction d'un classificateur spécialisé à travers la préparation des données, le découpage des individus détectés, la labellisation, l'entraînement, l'évaluation et la comparaison des prédictions. Il s'agit donc à la fois d'une expérimentation appliquée au projet CamerID et d'un travail de montée en compétences en vision par ordinateur.

Ce modèle personnel repose sur une approche de transfer-learning à partir d'une architecture de réseaux de neurones convolutifs (ResNet-18, initialement entraînée sur le jeu de données ImageNet). Le principe consiste à réutiliser les capacités générales du réseau pour reconnaître des formes, textures et structures visuelles, puis à le respécialiser sur un jeu de données plus ciblé. Dans ce cas, le modèle a été réentraîné sur plusieurs milliers de mes photographies issues de terrains, afin d'apprendre à distinguer les espèces les plus pertinentes dans le contexte local. La constitution de ce jeu de données a représenté une part importante du travail, avec plus de 15 000 images découpées, identifiées et analysées pour l'entraînement du modèle. Cette étape m'a permis de mieux comprendre les contraintes propres aux images de pièges photographiques, comme les variations de luminosité, les prises de vue nocturnes, les individus partiellement visibles, les arrière-plans très similaires ou les différences parfois subtiles entre certaines espèces. Ce modèle local n'est pas joint au logiciel car peu pertinent à côté de SpeciesNet et DeepFaune, mais constitue ainsi un volet expérimental que je souhaitais mettre en oeuvre avec ce développement.

Développement logiciel

CamerID est une application desktop autonome, un autre de mes projets que je développe seul avec une architecture moderne combinant une interface minimaliste et des traitements locaux sans aucun partage de données. L'application fonctionne hors ligne et est fonctionnelle sur Windows, macOS et Linux.

Ce projet m'a permis de mobiliser, encore une fois, mes compétences naturalistes, mon expérience en vision par ordinateur, mes connaissances en data science et mes compétences de développement logiciel. L'enjeu n'était pas seulement de produire un outil "fonctionnel", mais de concevoir une interface accessible à tous, pour gagner beaucoup de temps sur des flux de travail répétitifs.