카메라 트랩 및 생물음향학 어노테이션 도구 비교

Raven Pro는 영구 비영리 라이선스가 $50이고 Kaleidoscope Pro는 연 $399이며, Wildlife Insights는 정부 기관과 기업에는 카메라 트랩 구독료를 부과하지만 학술 사용자에게는 무료입니다. Timelapse, AddaxAI, Agouti는 카메라 트랩용 무료 도구이고, Arbimon, BirdNET-Analyzer, Audacity, Cornell의 Raven Workbench 베타는 생물음향학용 무료 도구입니다. Potato는 이미지나 녹음마다 여러 검토자가 검출 결과를 검토하는 Raven Pro와 Kaleidoscope Pro의 무료 자체 호스팅 대안이지만, 사전 학습된 검출기나 분류기는 제공하지 않으며 그 도구들이 쓰는 MegaDetector, BirdNET, Raven, Audacity 파일에서 시작합니다.

카메라 트랩은 카메라의 동작 감지 센서 앞을 지나가는 것을 무엇이든 촬영하는 카메라입니다. MegaDetector는 카메라 트랩 이미지에서 동물, 사람, 차량을 찾아 각각에 상자를 그리는 오픈 소스 모델입니다. MegaDetector의 README는 이 모델이 빈 이미지를 제거하는 데에도 유용하다고 밝힙니다. MegaDetector는 종을 이름 짓지 않으며, Google의 SpeciesNet 같은 별도의 분류기가 그 단계를 맡습니다. 수동 음향 모니터링은 무인 녹음기로 한 지점을 며칠 또는 몇 달 동안 녹음하며, 생물음향학 소프트웨어는 녹음에서 새, 박쥐, 개구리, 고래의 울음을 찾습니다. 스펙트로그램은 녹음의 주파수를 시간에 따라 보여 주며, 울음은 시작 시각, 종료 시각, 주파수 범위가 있는 상자로 표시됩니다. Raven 선택 표는 그런 상자를 한 줄에 하나씩 나열합니다.

Camtrap DP는 배치(deployment), 미디어, 관찰 표로 이루어진 카메라 트랩 데이터용 TDWG 데이터 교환 형식입니다. Darwin Core는 출현 기록을 위한 TDWG 표준이고, GBIF는 두 형식으로 데이터를 공개하는 전 세계 생물다양성 데이터베이스입니다. Potato의 생태학은 Potato의 생태학 과제를 한곳에 모아 보여 주고, 카메라 트랩과 생물음향학은 모든 가져오기 및 내보내기 옵션을 문서화합니다.

비교해 볼 만한 카메라 트랩 도구

가격과 라이선스는 각 프로젝트의 자체 페이지에서 가져왔으며 2026-10-29에 확인했습니다.

MegaDetector 자체는 MIT 라이선스이며 pip install megadetector로 설치됩니다. MegaDetector의 README는 MegaDetector와 함께 동작하는 도구와 플랫폼으로 Timelapse, AddaxAI, Wildlife Insights, TrapTagger, Agouti, Camelot을 나열합니다. Wildlife Insights는 종 인식에 SpeciesNet을 사용하며, SpeciesNet은 MegaDetector를 먼저 실행한 다음 종 분류기를 실행합니다.

비교해 볼 만한 생물음향학 도구

Cornell의 Raven Workbench 페이지는 Workbench가 "Raven Pro의 기능을 강화하고 대체"하기 위한 것이며 연구소가 결국 Raven Pro의 판매와 지원을 중단할 것이라고 밝힙니다. Raven Pro의 기존 다운로드는 계속 이용할 수 있습니다. BirdNET의 문서는 모든 교육 및 연구 용도를 비상업적인 것으로 보며, 모델에 붙은 CC BY-NC-SA 라이선스는 상업적 용도를 포함하지 않습니다.

어떤 과제에 어떤 도구를

표는 각 종류의 생태학 프로젝트를 그 프로젝트를 위해 만들어진 도구와 짝지어 줍니다.

모델을 실행하는 도구는 검출기나 분류기가 일을 하는 곳에 나오고, 데스크톱 도구는 한 사람이 출력을 검토하는 곳에 나옵니다. Potato는 그 도구들의 출력이 여러 검토자에게 가고 프로젝트가 각 검토자의 응답을 따로 보관해야 하는 곳에 나옵니다.

검출기를 누가 실행하는가

이 페이지의 도구 대부분은 모델을 직접 실행하거나 다른 곳에서 실행한 모델의 출력을 보여 줍니다. AddaxAI는 MegaDetector와 종 모델을 설치 후 인터넷 연결 없이 자신의 컴퓨터에서 실행합니다. Wildlife Insights는 업로드 후 Google Cloud에서 식별 모델을 실행합니다. Timelapse는 모델을 직접 실행하지 않고 AddaxAI나 MegaDetector가 쓴 인식 파일을 가져옵니다. 생물음향학에서 Raven Pro는 Raven Pro의 Learning Detector를 통해 BirdNET과 다른 모델을 실행하고, Kaleidoscope Pro는 박쥐 분류기와 BirdNET 분류기를 실행하며, BirdNET-Analyzer는 독립 실행형 BirdNET 프로그램입니다.

Potato의 카메라 트랩 및 생물음향학 가져오기는 검출기나 분류기를 실행하지 않습니다. potato import는 1.x 형식의 MegaDetector 배치 출력 JSON, COCO Camera Traps JSON, BirdNET-Analyzer의 Raven 표 또는 CSV, Raven Pro 또는 Raven Lite 선택 표, Audacity 레이블 트랙을 읽습니다. MegaDetector 파일의 종 분류는 상자 레이블과 미리 체크된 종이 됩니다. 각 검출은 검토자가 옮기고, 크기를 조절하고, 레이블을 바꾸거나 삭제하는 상자가 됩니다. 가져올 때 --md-threshold(기본값 0.2)와 BirdNET의 경우 --min-confidence(기본값 0.1)는 지정한 신뢰도보다 낮은 검출을 제외합니다. 가져온 모든 상자는 모델의 이름과 신뢰도를 유지하며 검토자가 상자를 바꾸면 "edited": true가 붙습니다. 버전 2.14부터 Potato는 검토자가 카메라 트랩 이미지나 스펙트로그램에 그린 상자로 검출기도 학습시키며, 검출기의 상자는 검토자가 수정할 사전 레이블로 돌아갑니다. torchvision과 YOLO 검출기는 일상 사진의 COCO 데이터셋으로 학습된 가중치에서 시작합니다.

Raven Pro와 Kaleidoscope Pro의 무료 대안

Raven Pro와 Kaleidoscope Pro는 위 생물음향학 표의 두 가지 유료 데스크톱 프로그램입니다. Raven Pro는 소리를 측정하고, 에너지 및 기계 학습 검출기를 실행하며, 검출기의 선택 표를 사람이 만든 표와 비교합니다. Kaleidoscope Pro는 박쥐 종을 식별하고, 비슷한 울음을 군집화하며, 대량의 녹음 집합에 BirdNET 분류기를 실행합니다. 무료 도구들은 각각 그 작업의 일부를 다룹니다.

Cornell의 자체 Raven Workbench는 무료이며 Raven Pro를 대체하려는 것이지만, Cornell은 Workbench 앱을 베타 또는 미리 보기 릴리스로 설명합니다. Raven Lite는 스펙트로그램을 보고 선택마다 어노테이션 하나가 있는 선택 표를 만드는 데 무료입니다. BirdNET-Analyzer는 검출에 무료이지만, 모델에 붙은 CC BY-NC-SA 4.0 라이선스는 상업적 용도를 포함하지 않습니다. Arbimon은 많은 녹음기에 걸친 패턴 매칭과 종 검증을 위한 무료 호스팅 플랫폼입니다. Audacity와 Sonic Visualiser는 울음 상자를 손으로 그리는 무료 데스크톱 프로그램입니다.

Potato는 검출 이후의 검토 단계를 다룹니다. Potato는 BirdNET이나 Raven 출력을 가져오고, 각 녹음을 구성에서 정한 수만큼의 검토자에게 배정하며, 브라우저에서 계산한 스펙트로그램 위에 상자를 보여 주고, 각 검토자의 수정된 상자를 별도의 Raven 선택 표나 Audacity 레이블 파일에 씁니다. Potato는 소리를 측정하거나, 검출기를 실행하거나, 울음을 군집화하거나, 스펙트로그램 상자의 일치도를 보고하지 않으며, 다른 한계는 Potato가 생태학에서 하지 않는 것에 나와 있습니다.

카메라 트랩에서 Wildlife Insights는 정부 기관과 기업에만 요금을 부과하며, Timelapse, AddaxAI, Agouti, TrapTagger, Camelot은 무료입니다. Potato는 여러 검토자가 각 이미지를 확인하고 이미지가 프로젝트 자체 서버에 남아야 하는 카메라 트랩 프로젝트에 맞습니다.

도구별 복수 검토자와 일치도

도구마다 여러 사람이 작업을 나누는 방식이 다릅니다. 각 행은 같은 이미지나 녹음에 여러 사람이 작업하는 도구의 설정과, 그 도구의 문서가 설명하는 일치도 측정치를 보여 줍니다.

대시는 2026-10-29에 확인한 해당 도구의 자체 문서에서 그 칸에 해당하는 내용을 찾지 못했다는 뜻입니다. 틀린 칸이 있으면 알려 주세요.

관찰자 10명이 같은 카메라 트랩 이미지 11,560장을 처리했을 때, 집합의 포유류 22종을 모두 찾은 관찰자는 한 명뿐이었고 나머지 관찰자들은 18종에서 22종을 찾았습니다(Zett et al., 2022). 이미지 표본에 두 번째 검토자를 두면 자신의 프로젝트에서 같은 변이를 측정할 수 있습니다. Potato의 /admin/iaa 관리자 대시보드는 모든 검토자 쌍의 일치도를 보고합니다. 검출 상자의 일치도는 검토자들이 같은 동물을 찾았는지, 각 동물에 같은 레이블을 붙였는지, 상자가 얼마나 가깝게 일치하는지를 구분합니다(기하 일치도). Potato는 스펙트로그램 상자의 일치도를 계산하지 않습니다. 카파가 필요한 생물음향학 연구는 아래 BirdNET 구성처럼 클립 수준 질문을 추가합니다.

자원봉사자와 시민 과학

Zooniverse는 공개 프로젝트를 무료로 호스팅하며, Zooniverse 팀은 프로젝트가 자원봉사자 커뮤니티에 공개되기 전에 검토합니다. Snapshot Serengeti는 각 이미지에 대한 자원봉사자의 분류를 다수결로 결합해 전문가가 분류한 이미지 집합 4,149개 대비 종 정확도 96.6%에 도달했습니다(Swanson et al., 2015). Zooniverse는 비공개 프로젝트에서도 모든 프로젝트 미디어를 공개 URL에 호스팅하며, 커뮤니티에 홍보된 프로젝트는 보통 2년의 독점 기간 뒤에 분류 데이터를 공개합니다.

Potato에는 공개 자원봉사자 커뮤니티가 없습니다. 프로젝트는 자체 자원봉사자나 학생에게 가입 링크를 공유하거나, Prolific을 통해 유급 참가자를 모집합니다(크라우드소싱 연구 실행하기). 훈련 단계는 실제 이미지 전에 피드백이 있는 연습 이미지를 자원봉사자에게 줍니다. mace: enabled: true를 쓰면 Potato는 항목에 응답이 세 개 쌓였을 때 각 자원봉사자의 신뢰도와 분류 및 종 질문에 대한 추론된 정답을 추정합니다(MACE). Potato의 Zooniverse 가져오기 도구는 프로젝트의 워크플로와 분류를 읽습니다. 가져오기 도구는 서베이 과제를 제외하고 몇 개가 제외되었는지 보고합니다. 서베이 과제는 후속 질문이 있는 Zooniverse의 종 선택 격자입니다.

파일 형식과 GBIF 공개

표는 생태학 프로젝트가 오가는 형식과, 각 형식에 대해 Potato 2.13.1이 읽고 쓰는 것을 나열합니다.

카메라 트랩 데이터에 대한 GBIF의 권장 경로는 Camtrap DP 패키지를 버전 3 이상의 GBIF IPT에 업로드하는 것입니다. GBIF는 공개된 패키지를 camtrapdp R 패키지로 Darwin Core 출현으로 변환하고 각 출현을 카메라의 위치에 놓습니다. Potato의 Camtrap DP 내보내기에는 각 배치의 좌표, 모든 타임스탬프의 UTC 오프셋, 패키지 메타데이터처럼 Potato가 갖고 있지 않은 사실이 필요합니다. latitude와 longitude라는 항목 필드가 좌표를 채우고, 내보내기 옵션이 나머지를 채우며, 내보내기는 아직 빠진 것을 이름으로 알려 줍니다. IPT에 업로드하기 전에 패키지를 검증하세요.

이미지마다 검토자가 여러 명이면 camtrap_dp, darwin_core, megadetector 내보내기는 항목마다 검토자 한 명을 쓰며, --option annotator=<user>로 검토자를 지정하지 않으면 사용자 ID 기준 첫 번째 검토자이고, 항목에 여러 명이 있었다고 경고합니다. 내보내기가 가져가는 답이 합의된 답이 되도록, 내보내기 전에 검토자들의 응답을 조정하세요. 검토자의 사용자 이름은 classifiedBy 또는 identifiedBy에 들어갑니다.

오프라인 현장 사용과 데이터 위치

Timelapse, AddaxAI, Camelot, Raven, Kaleidoscope, Audacity, Sonic Visualiser는 이미지나 녹음을 저장한 컴퓨터에서 실행되며, AddaxAI와 Timelapse는 설치 후 인터넷 연결이 필요 없습니다. Wildlife Insights는 Google Cloud에서 실행되며 데이터 제공자가 데이터를 최대 48개월 동안 엠바고할 수 있게 합니다. Agouti는 모든 데이터를 네덜란드의 바헤닝언 대학교 및 연구소가 소유한 서버에 저장합니다. Arbimon은 녹음을 클라우드에 저장합니다. TrapTagger는 호스팅 계정과 TrapTagger 저장소에서 가져오는 자체 호스팅 설치를 제공합니다.

Potato는 노트북이나 서버에 pip로 설치되며, 같은 컴퓨터나 현장 연구소의 로컬 네트워크에 있는 검토자는 브라우저로 작업합니다. Potato는 모든 스크립트, 스타일시트, 글꼴, 아이콘을 설치본에서 제공하며, 카메라 트랩과 생물음향학 가져오기 및 검토 워크플로는 모델 가중치를 불러오지 않습니다. 버전 2.14부터 검토자의 상자로 검출기를 학습시키면 첫 실행에서 COCO로 사전 학습된 가중치를 내려받고, 이후 실행은 캐시된 가중치를 재사용합니다. --image-dir를 쓰면 Potato는 조사를 복사하지 않고 조사의 기존 폴더에서 이미지를 제공합니다. 스펙트로그램은 서버에 오디오 도구 없이 검토자의 브라우저에서 오디오 파일로부터 계산됩니다. 이미지 상자 스킴과 스펙트로그램 스킴은 모두 Potato의 휴대폰 너비 터치 시험 유형 목록에 있습니다. 에어갭 배포는 Potato가 로컬로 제공하는 것을 나열합니다.

Potato에서 검토자 두 명으로 MegaDetector 출력 검토하기

먼저 자신의 컴퓨터에서 MegaDetector를, 또는 종 모델과 함께 AddaxAI를 실행하세요. 아래 가져오기는 신뢰도 0.5 이상의 검출을 유지하며 조사 자체 폴더에서 이미지를 제공합니다.

potato import -i md_output.json --image-dir /data/traps --md-threshold 0.5 -o review-project/

아래 구성은 가져오기가 쓰는 형태에 두 가지를 더한 것입니다. num_annotators_per_item: 2는 분류 응답, 종, 상자에 대한 일치도를 위해 모든 이미지를 검토자 두 명에게 보냅니다. 분류기는 여우를 이름 짓지 않았으며, 추가된 Vulpes vulpes 레이블은 검토자가 분류기가 놓친 여우에 레이블을 달 수 있게 합니다. 이 구성은 완전하며 Potato의 검증기를 통과합니다.

annotation_task_name: Camera-trap review, two reviewers per image
task_dir: .
output_annotation_dir: annotation_output/
data_files:
  - data/md_output.jsonl
item_properties:
  id_key: id
  text_key: image_url
user_config:
  allow_all_users: true
  users: []
media_directory: /data/traps
 
# Every image goes to two reviewers for a comparison of the two reviews
num_annotators_per_item: 2
 
pre_annotation:
  enabled: true
  field: predictions
  allow_modification: true
 
annotation_schemes:
  - annotation_type: radio
    name: triage
    description: What does this image show?
    labels: [empty, animal, person, vehicle]
    sequential_key_binding: true
 
  - annotation_type: image_annotation
    name: detections
    description: Correct the boxes, delete false detections, and draw any animal that was missed.
    source_field: image_url
    tools: [bbox]
    zoom_enabled: true
    labels:
      - {name: Odocoileus virginianus, color: "#f58231"}
      - {name: Procyon lotor, color: "#911eb4"}
      # A species the classifier never names, added for reviewers to draw
      - {name: Vulpes vulpes, color: "#008080"}
      - {name: animal, color: "#3cb44b"}
      - {name: person, color: "#e6194b"}
      - {name: vehicle, color: "#4363d8"}
 
  - annotation_type: multiselect
    name: species
    description: Which species are present?
    labels: [Odocoileus virginianus, Procyon lotor, Vulpes vulpes]

각 이미지는 검출기의 상자가 그려지고 가장 신뢰도 높은 검출에서 고른 분류 응답과 함께 열리며, 검토자는 1에서 4까지의 키로 분류 질문에 답합니다. 미리 채워진 응답은 검토자가 이미지를 저장할 때에만 저장되며, 검토하지 않은 이미지는 내보내기에서 빠집니다. 검토가 끝나면 패키지와 출현 기록을 내보내세요.

python -m potato.export -c review-project/config.yaml -f camtrap_dp -o package/ \
    --option timezone=-05:00 --option contributor="Your Name" \
    --option sampling_design=opportunistic --option capture_method=activityDetection
python -m potato.export -c review-project/config.yaml -f darwin_core -o package/

classificationMethod는 검토자가 바꾸지 않은 검출기 상자에는 machine, 검토자가 그리거나 바꾼 상자에는 human입니다. Darwin Core 표에서는 같은 구분이 basisOfRecord를 MachineObservation 또는 HumanObservation으로 정합니다. 검토 없이 승인된 사전 레이블 찾아내기는 검토자가 검출기의 상자를 살펴보지 않고 수락했는지 확인하는 방법을 보여 줍니다.

Potato에서 검토자 두 명으로 BirdNET 검출 검증하기

먼저 녹음에 BirdNET-Analyzer를 실행하고, 녹음은 BirdNET의 출력 파일 옆에 두세요. 아래 가져오기는 신뢰도 0.5 이상의 검출을 유지합니다.

potato import -i birdnet-output/ -f birdnet --min-confidence 0.5 -o birdnet-review/

아래 구성은 가져오기가 쓰는 형태에 모든 클립의 두 번째 검토자, BirdNET이 보고하지 않은 종, 클립 수준 질문을 더한 것입니다. Potato는 스펙트로그램 상자의 일치도를 보고하지 않으므로, 클립 수준 질문이 관리자 대시보드에 카파를 제공합니다. 이 구성은 완전하며 Potato의 검증기를 통과합니다.

annotation_task_name: BirdNET verification, two reviewers per clip
task_dir: .
output_annotation_dir: annotation_output/
data_files:
  - data/birdnet-output.jsonl
item_properties:
  id_key: id
  text_key: recording
user_config:
  allow_all_users: true
  users: []
 
# Every clip goes to two reviewers for a comparison of the clip-level answers
num_annotators_per_item: 2
 
pre_annotation:
  enabled: true
  field: predictions
  allow_modification: true
 
annotation_schemes:
  - annotation_type: spectrogram_annotation
    name: calls
    description: Check BirdNET's boxes, fix or delete the wrong ones, and draw any call BirdNET missed.
    source_field: audio_url
    labels:
      - American Robin
      - Northern Cardinal
      # Species on the site list that BirdNET did not report in these clips
      - Song Sparrow
      - unknown
 
  - annotation_type: radio
    name: clip_review
    description: How well did BirdNET do on this clip?
    labels:
      - All boxes correct
      - Some boxes wrong or missing
      - Recording unusable

BirdNET의 상자는 검토자가 상자를 바꾸기 전까지 점선 테두리로 그려집니다. 수정된 상자를 Raven이나 Audacity용으로 내보내세요.

python -m potato.export -c birdnet-review/config.yaml -f raven -o export/
python -m potato.export -c birdnet-review/config.yaml -f audacity_labels -o export/

검토자가 두 명이면 각 녹음은 site_a_0600.alice.selections.txt와 site_a_0600.bob.selections.txt처럼 검토자마다 파일 하나를 받으며, 각 파일은 녹음 옆에서 Raven으로 열립니다. 스펙트로그램 어노테이션은 스킴의 옵션과 조작을 나열합니다.

Potato가 생태학에서 하지 않는 것

• 사전 학습된 검출기나 분류기가 없습니다. MegaDetector, SpeciesNet, AddaxAI, Wildlife Insights, BirdNET-Analyzer, Raven Pro, Kaleidoscope Pro가 모델을 실행하고, 검토자는 Potato에서 그 출력을 수정합니다. Potato는 BirdNET의 모델을 포함하지 않습니다. 버전 2.14부터 Potato에서 학습시킨 검출기는 COCO 가중치에서 시작하며, 프로젝트 자체의 검토자들이 그린 상자에서 종을 학습합니다.
• 소리 측정이 없습니다. Raven Pro와 Raven Workbench는 주파수, 길이, 에너지를 측정하며, Potato는 상자의 경계만 저장합니다.
• 스펙트로그램 상자의 일치도가 없습니다. 일치도는 질문, 종 체크, 이미지의 상자를 다룹니다.
• GBIF 내보내기에서 조정이 없습니다. Camtrap DP와 Darwin Core 내보내기는 검토자마다 관찰 하나를 씁니다.
• 긴 녹음을 한 화면에 볼 수 없습니다. 브라우저가 파일 전체를 디코딩하며 스펙트로그램 열을 최대 4,096개까지 그립니다. 녹음을 몇 분짜리 클립으로 자르세요.
• Kaleidoscope나 Arbimon 형식이 없습니다. Potato는 Raven 표, Audacity 레이블, BirdNET 출력을 읽습니다.
• Camtrap DP 가져오기가 없습니다. Potato는 Camtrap DP를 쓰고 MegaDetector와 COCO Camera Traps JSON을 읽습니다.
• 가져올 때 Zooniverse 서베이 과제가 빠집니다. 종 격자 과제는 경고와 함께 제외됩니다.
• 공개 자원봉사자 커뮤니티가 없습니다. 자원봉사자는 Zooniverse가 데려오고, Potato는 Prolific이나 프로젝트가 공유하는 링크를 통해 모집합니다.
• 서버가 필요합니다. 누군가 pip로 Potato를 설치하고 서버를 실행해야 하며, 검토자 한 명이면 노트북에서, 팀이면 공유 컴퓨터에서 실행합니다.

각 프로젝트의 자체 문서와 요금 페이지를 기준으로 2026년 10월에 확인했습니다.

자주 묻는 질문

스펙트로그램의 시간-주파수 영역에 레이블을 달 수 있는 무료 소프트웨어는?

Raven Lite, Audacity, Sonic Visualiser는 스펙트로그램에 시간-주파수 영역을 표시하는 무료 데스크톱 프로그램입니다. Raven Lite는 선택마다 어노테이션 하나가 있는 선택 표를 만들고, Audacity는 스펙트럼 선택의 주파수 범위를 확장 레이블 형식에 저장하며, Sonic Visualiser에는 시간-주파수 영역을 위한 상자 레이어가 있습니다. Cornell의 Raven Workbench는 베타로 무료이며 Raven Pro를 대체하려는 것입니다. Potato는 여러 사람이 브라우저에서 같은 녹음에 레이블을 다는 경우를 위한 무료 자체 호스팅 도구이며, 각 사람의 상자가 별도의 Raven 선택 표나 Audacity 레이블 파일로 내보내집니다.

카메라 트랩 이미지에서 관찰자 간 일치도는 어떻게 측정하나요?

이미지 표본을 둘 이상의 관찰자에게 주고, 각 관찰자가 같은 질문에 독립적으로 답하게 한 뒤, 관찰자가 두 명이면 Cohen의 카파, 세 명 이상이면 Krippendorff의 알파 같은 우연 보정 계수를 계산합니다. Potato에서는 num_annotators_per_item: 2가 모든 이미지를 검토자 두 명에게 보내고, 관리자 대시보드가 분류 응답에는 카파와 알파를, 체크한 종에는 Jaccard와 알파를, 상자에는 짝지은 IoU, 검출 F1, 우연 보정 알파를 보고합니다. 다른 도구에서 내보낸 응답은 일치도 계산기가 브라우저에서 CSV로 카파와 알파를 계산합니다.

시민 과학 카메라 트랩 프로젝트에서 자원봉사자의 종 식별은 어떻게 결합하나요?

대부분의 프로젝트는 각 이미지를 여러 자원봉사자에게 주고 가장 많은 자원봉사자가 고른 종을 채택합니다. Snapshot Serengeti는 자원봉사자의 응답을 이 다수결로 결합해 전문가 분류 대비 종 정확도 96.6%에 도달했습니다. Dawid-Skene과 MACE는 추정된 신뢰도로 각 자원봉사자에게 가중치를 주며, 자원봉사자의 숙련도가 다를 때 다수결보다 더 나은 레이블을 복원할 수 있습니다(Paun et al., 2018). mace: enabled: true를 쓰면 Potato는 이미지에 응답이 세 개 쌓였을 때 분류 및 종 질문에 MACE를 실행하며, 크라우드 레이블 집계가 방법들을 비교합니다.

더 읽어 보기

• Potato의 생태학 - 생태학 과제를 한곳에서 보기
• 카메라 트랩과 생물음향학 - 모든 가져오기 및 내보내기 옵션
• 스펙트로그램에서 BirdNET 검출 검증하기와 MegaDetector 결과를 검토해 GBIF에 공개하기 - 공개 데이터로 처음부터 끝까지 실행한 두 워크플로
• 스펙트로그램 어노테이션과 지도
• 내보내기 형식과 프로젝트 가져오기
• 어노테이터 간 일치도와 판정
• 오디오 어노테이션 도구 비교와 이미지 어노테이션 도구 비교
• iWildCam 쇼케이스 디자인

참고 문헌

1. Swanson, A., Kosmala, M., Lintott, C., Simpson, R., Smith, A., & Packer, C. (2015). Snapshot Serengeti, high-frequency annotated camera trap images of 40 mammalian species in an African savanna. Scientific Data, 2, 150026. https://doi.org/10.1038/sdata.2015.26
2. Zett, T., Stratford, K. J., & Weise, F. J. (2022). Inter-observer variance and agreement of wildlife information extracted from camera trap images. Biodiversity and Conservation, 31(12), 3019-3037. https://doi.org/10.1007/s10531-022-02472-z