Training data and ensemble results of an ensemble of models trained to find flowers on herbarium sheet images
Notice bibliographique
Résumé
This contains the 3 image datasets (training, validation, testing/holdout) for training models to identify flowers on images of herbarium sheets. Metadata for the images are located at https://github.com/rafelafrance/phenobase/blob/v1.0.0/datasets/splits_2025-04-22.csv. The 3 models were ultimately used in an ensemble for flower identification. flower_inference_formatted_2025-10-30.zip contains the formatted output of the ensemble and flower_inference_votes_2025-09-02.zip contains the raw ensemble votes. See the paper Petal to the metal? The slow road to automating large-scale phenology labeling for herbarium specimens Erin L. Grady1, Raphael LaFrance1, Daijiang Li2, Russell Dinnage3,4, Ellen G. Denny5, John Deck6 and Robert P. Guralnick1 1 Florida Museum of Natural History, University of Florida, Gainesville, Florida, USA 2 Department of Botany, University of Wisconsin-Madison, Madison, WI, USA 3 Department of Biological Sciences, University of Alberta, Edmonton, AB, Canada 4 Alberta Machine Intelligence Institute, Edmonton, AB, Canada 5 USA National Phenology Network, School of Natural Resources and the Environment, University of Arizona, Tucson, Arizona, USA 6 Berkeley Natural History Museums, University of California, Berkeley, California, USA Corresponding author: Erin Grady; gradyerin@ufl.edu
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».