A YOLOv8-based AI System for Real-Time Endemic Species Threat Detection and Response
Notice bibliographique
Résumé
Endemic species are under threat from various factors, including habitat destruction, illegal hunting, and climate change, which necessitate urgent and effective monitoring solutions. This research introduces an advanced AI system for real-time threat detection and response, utilizing the YOLOv8 algorithm. The system is specifically developed for the protection of endemic species. It combines the strengths of YOLOv8 with enhancements like a multi-scale detection module to tackle the challenges of identifying small or camouflaged species and threats across different ecological environments. In the proposed study, a customized dataset that is developed through the application of the Histogram of Oriented Gradients (HOG) technique along with the Firefly Algorithm is employed. This approach facilitates the efficient fine-tuning of all images within the dataset, enhancing the overall effectiveness of the analysis. The Roboflow platform is used for training, validation, and testing the customized dataset for real-time object detection. YOLOv8 achieves 97.9% mAP, 94.7% precision, and 91.9% recall. Threats are recorded in a Blockchain ledger and sent to Twilio SMS alert system, making it cost-effective and efficient. The proposed framework offers high accuracy, precision, and recall, minimizing false alarms and facilitating quick interventions, making it suitable for smart environmental management systems and biodiversity conservation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».