Un ensemble d’images de poissons sauvages pour la ré-identification des individus et le phénotypage

Pourquoi observer attentivement les visages des poissons importe

Les animaux sauvages nous paraissent souvent similaires, mais chaque individu porte sa propre histoire de croissance, de déplacement et de survie. Pour les biologistes marins, suivre ces histoires signifie généralement capturer des poissons, leur poser des marques et espérer les recapturer plus tard, un processus coûteux et stressant pour les animaux. Cette étude présente Melops, une grande collection d’images ouverte d’un poisson côtier coloré, la lotte à tête arrondie (corkwing wrasse), conçue pour permettre aux ordinateurs de reconnaître les poissons individuellement uniquement à partir de leurs motifs faciaux et de mesurer comment leur apparence évolue dans le temps.

Un album photo grandissant de poissons sauvages

Sur sept ans le long des côtes de l’ouest de la Norvège, les chercheurs ont capturé à plusieurs reprises près de dix mille lottes à tête arrondie sauvages. Pour chaque poisson, ils ont enregistré sa longueur, son sexe et son état de santé, implanté une petite puce électronique pour une identification fiable et photographié les deux flancs sur un fond blanc standardisé. Cette routine soigneuse a produit 24 578 images, dont plus de 8 500 photos d’individus revus à plusieurs reprises. Parce que de nombreux spécimens ont été recapturés sur des mois et des années, le jeu de données saisit comment de vrais poissons sauvages changent en taille, couleur et état au fil de l’âge, de la reproduction et de la récupération après des blessures.

Transformer des photos brutes en données prêtes pour les machines

Pour rendre ces images utiles à l’intelligence artificielle, l’équipe n’a pas seulement stocké des photographies. Un sous-ensemble d’images a été annoté manuellement avec minutie, indiquant le contour de chaque poisson, sa région céphalique et onze repères anatomiques tels que le museau, l’œil et la base de la queue. Ces exemples ont servi à entraîner des modèles modernes de vision par ordinateur (YOLOv8) capables de localiser automatiquement le poisson, de recadrer le corps ou seulement la tête et de repérer des points corporels clés sur l’ensemble de la collection. Le résultat est un ensemble de découpes d’images standardisées — corps entier, tête et corps sans tête — ainsi que des coordonnées précises des points importants sur le poisson.

Mesurer couleur et forme de façon cohérente

Parce que les photos ont été prises sur le terrain sous des éclairages variables, les chercheurs ont également relevé le défi de rendre les couleurs comparables d’une image à l’autre. La plupart des photos incluent une carte de référence blanche, permettant au logiciel de mesurer l’écart de chaque image par rapport à une norme connue et de corriger la luminosité et l’équilibre des couleurs en conséquence. Des scripts en Python et R, partagés ouvertement avec le jeu de données, montrent comment effectuer ces corrections et comment extraire l’information colorimétrique de zones spécifiques comme la joue. Cette standardisation soignée est essentielle pour étudier les différences subtiles de couleur liées au sexe, à la saison, à la santé et au statut social.

Les humains et les machines reconnaissent-ils les mêmes poissons ?

La lotte à tête arrondie présente des motifs complexes et à fort contraste sur la tête qui fonctionnent comme une empreinte faciale. Pour évaluer la capacité des humains à utiliser ces motifs, l’équipe a développé un simple test en ligne appelé FishFaces. Les participants voyaient une photo-cadre de tête en requête et deux images candidates, et devaient choisir laquelle montrait le même individu, parfois séparées par des années. Huit observateurs expérimentés ont obtenu une précision presque parfaite, même quand le poisson avait grandi ou que sa couleur globale avait changé. Des expériences informatiques antérieures sur un sous-ensemble plus petit des données montraient que les méthodes actuelles d’apprentissage profond parviennent déjà à retrouver le bon poisson dans environ la moitié des cas difficiles, et le nouveau jeu de données plus vaste vise à pousser ces méthodes beaucoup plus loin.

Ce que cela signifie pour l’observation de la vie sous l’eau

En publiant ouvertement Melops et tous les outils associés, les auteurs offrent un enregistrement rare et richement documenté de milliers de poissons sauvages suivis dans le temps. Pour les non-spécialistes, le message principal est que nous pourrions bientôt surveiller les populations de poissons, les ratios de sexes, la croissance et la santé simplement en analysant des photographies, réduisant ainsi le besoin de marques invasives. Le même cadre peut être adapté à d’autres espèces aux marques distinctives, offrant un moyen puissant d’étudier la vie animale, les impacts de la pêche et le changement environnemental tout en laissant plus du monde des animaux inchangé.

Citation: Sørdalen, T.K., Malde, K., Sauvaitre, C. et al. A wild fish image dataset for individual re-identification and phenotyping. Sci Data 13, 708 (2026). https://doi.org/10.1038/s41597-026-07045-1

Mots-clés: ré-identification d’animaux, vision par ordinateur, écologie des poissons, jeu de données d’images, motif de couleur