Un set di immagini di pesci selvatici per il riconoscimento individuale e il fenotipaggio

Perché guardare da vicino i volti dei pesci conta

Gli animali selvatici spesso ci sembrano simili tra loro, eppure ogni individuo porta con sé una propria storia di crescita, movimento e sopravvivenza. Per i biologi marini, tenere traccia di queste storie significa di solito catturare i pesci, applicare tag e sperare di ritrovarli in seguito: un processo costoso e stressante per gli animali. Questo studio presenta Melops, un ampio archivio di immagini a disposizione di tutti di un pesce costiero colorato, il labride spigola (corkwing wrasse), progettato per permettere ai computer di riconoscere individui a partire solo dai motivi del volto e di misurare come il loro aspetto cambia nel tempo.

Un album fotografico in crescita dei pesci selvatici

Per sette anni lungo le coste della Norvegia occidentale, i ricercatori hanno ripetutamente catturato quasi diecimila labridi selvatici. Per ogni pesce hanno registrato la lunghezza, il sesso e lo stato di salute, impiantato un piccolo tag elettronico per l’identificazione affidabile e fotografato entrambi i fianchi del corpo su uno sfondo bianco standard. Questa routine accurata ha prodotto 24.578 immagini, incluse oltre 8.500 foto di pesci osservati più di una volta. Poiché molti individui sono stati ricatturati nel corso di mesi e anni, il dataset cattura come i pesci selvatici reali cambiano in dimensione, colore e condizione con l’età, la riproduzione e la guarigione da ferite.

Trasformare foto grezze in dati pronti per le macchine

Per rendere queste immagini utili all’intelligenza artificiale, il team ha fatto molto più che conservare fotografie. Un sottoinsieme di immagini è stato meticolosamente annotato a mano, tracciando il contorno di ogni pesce, la regione della testa e undici punti anatomici come il muso, l’occhio e la base della coda. Questi esempi sono stati usati per addestrare modelli di visione artificiale moderni (YOLOv8) in grado di localizzare automaticamente il pesce, ritagliare il corpo o solo la testa e individuare punti chiave su tutto l’archivio. Il risultato è una serie di ritagli di immagine standardizzati—corpo intero, testa e corpo senza testa—più coordinate precise di punti importanti sul pesce.

Leggere colore e forma con coerenza

Poiché le foto sono state scattate sul campo sotto luci variabili, i ricercatori hanno affrontato anche la sfida di rendere i colori confrontabili da un’immagine all’altra. La maggior parte delle foto include una scheda di riferimento bianca, che permette al software di misurare quanto ogni immagine derivi da uno standard noto e di correggere di conseguenza luminosità e bilanciamento del colore. Script in Python e R, condivisi apertamente con il dataset, mostrano come eseguire queste correzioni e come estrarre informazioni cromatiche da regioni specifiche come la guancia. Questa accurata standardizzazione è essenziale per studiare differenze sottili di colore legate a sesso, stagione, salute e status sociale.

Possono persone e macchine riconoscere gli stessi pesci?

Il labride spigola ha motivi intricati e ad alto contrasto sulla testa che fungono da impronta facciale. Per valutare quanto bene gli umani possano usare questi motivi, il team ha creato un semplice test online chiamato FishFaces. Ai partecipanti è stata mostrata una foto della testa di riferimento e due immagini candidate e chiesto di scegliere quale mostrava lo stesso individuo, talvolta separato da anni. Otto osservatori esperti hanno raggiunto un’accuratezza quasi perfetta, anche quando il pesce era cresciuto o aveva cambiato colore complessivo. Esperimenti informatici precedenti su un sottoinsieme più piccolo di dati hanno mostrato che i metodi di deep learning attuali riescono già a individuare il pesce corretto in circa la metà dei casi difficili, e il nuovo dataset più ampio è pensato per spingere molto oltre queste performance.

Cosa significa per l’osservazione della vita sott’acqua

Rendendo pubblici Melops e tutti gli strumenti associati, gli autori offrono un raro, riccamente documentato archivio di migliaia di pesci selvatici seguiti nel tempo. Per i non addetti ai lavori, il messaggio chiave è che potremmo presto essere in grado di monitorare popolazioni di pesci, rapporti di sesso, crescita e stato di salute semplicemente analizzando fotografie, riducendo la necessità di tag invasivi. Lo stesso approccio può essere adattato ad altre specie con marcature distintive, offrendo un modo potente per studiare le vite degli animali, gli impatti della pesca e i cambiamenti ambientali lasciando intatto gran parte del mondo animale.

Citazione: 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

Parole chiave: riconoscimento individuale di animali, visione artificiale, ecologia dei pesci, dataset di immagini, motivo cromatico