Machine learning en modeltraining

Pl@ntNet is een collaboratieve applicatie die gewijd is aan het identificeren van planten, gebruikt door miljoenen mensen over de hele wereld. Kunstmatige intelligentie (AI), en meer specifiek deep learning, staat centraal in het functioneren van Pl@ntNet.

Het principe van deep learning en afbeeldingen

Deep learning is een tak van kunstmatige intelligentie waarbij “neurale netwerken” leren patronen te herkennen in gegevens, in dit geval afbeeldingen. Door miljoenen foto’s van planten te analyseren, kan een computermodel leren soorten te onderscheiden op basis van hun visuele kenmerken: bladvorm, bloemkleur, enz.

Pl@ntNet maakt gebruik van miljoenen afbeeldingen verzameld door gebruikers en experts. Deze foto’s worden gesorteerd, gevalideerd en georganiseerd om deep learning-modellen te trainen. Hoe meer afbeeldingen en diversiteit er zijn, hoe nauwkeuriger het model wordt!

Recente vooruitgang dankzij geavanceerde modellen

Tegenwoordig gebruikt Pl@ntNet een geavanceerde technologie genaamd Vision Transformer (ViT). Deze modellen, zoals die van DINOv2, maken het mogelijk om te profiteren van de grote hoeveelheden beschikbare afbeeldingen, terwijl de herkenning van zeldzame of weinig gefotografeerde planten wordt verbeterd.

Naast het trainen op foto’s die door de community zijn aangeleverd, wordt het model geëvalueerd op zeer specifieke testbeelden. Deze afbeeldingen, vaak afkomstig van experts en niet online beschikbaar, dienen om te garanderen dat het systeem betrouwbaar is, zelfs voor moeilijk te identificeren planten.

Het belang van challenges en tests

Pl@ntNet organiseert jaarlijks de PlantCLEF challenge, een evenement waar onderzoekers en ingenieurs de nieuwste ontwikkelingen op het gebied van plantherkenning testen. Deze competities maken het mogelijk om verschillende benaderingen te vergelijken en de prestaties van de modellen te verbeteren. Tijdens PlantCLEF2022 bijvoorbeeld, een uitdaging op basis van 4 miljoen afbeeldingen, bleek dat nieuwe architecturen, zoals Vision Transformers, de oude systemen op basis van convolutionele neurale netwerken overtreffen.

Intern voert Pl@ntNet ook rigoureuze tests uit. “Beschermde” verzamelingen afbeeldingen, geselecteerd op hun kwaliteit en zeldzaamheid, maken het mogelijk om te controleren of het model complexe of ondervertegenwoordigde soorten goed herkent.

Waarom dit allemaal belangrijk is

Dankzij deze vooruitgang is Pl@ntNet niet alleen een praktisch hulpmiddel voor botanici-amateurs. Het draagt bij aan het behoud van de biodiversiteit door te helpen bij het documenteren van planten op wereldschaal. Elke gedeelde foto verrijkt de database en versterkt de capaciteiten van het model, waardoor een positieve feedbackloop ontstaat voor wetenschap en natuur.

Met deze technologie kan iedereen meedoen aan het beter leren kennen en beschermen van de planten om ons heen!