CzechLynx: Zestaw danych do identyfikacji osobniczej i estymacji pozy rysia euroazjatyckiego

Dlaczego to ma znaczenie dla przyrody i technologii

Ryś euroazjatycki jest jednym z najbardziej skrytych dużych kotów Europy, przemieszczającym się po rozległych leśnych obszarach przy bardzo niskich zagęszczeniach. Śledzenie liczby rysiów, ich przemieszczania się i zmian w populacjach w czasie jest kluczowe dla ochrony — jednak ręczne przeglądanie setek tysięcy zdjęć z fotopułapek jest czasochłonne i podatne na błędy. W artykule przedstawiono CzechLynx, dużą, ogólnie dostępną kolekcję zdjęć rysiów przeznaczoną nie tylko dla biologów, lecz także dla informatyków tworzących narzędzia do analizy obrazów. Łącząc monitoring przyrody z nowoczesną sztuczną inteligencją, zestaw danych ma ułatwić ochronę tych trudnych do zaobserwowania drapieżników.

Długie obserwacje płochliwych kotów w dzikich lasach

CzechLynx skupia 39 760 fotografii rysia euroazjatyckiego zebranych w ciągu ponad 15 lat za pomocą fotopułapek w dwóch regionach Europy Środkowej: na południowo‑zachodnich Czechach i w Karpatach Zachodnich. To surowe, przeważnie zalesione tereny, gdzie rysie żyją przy bardzo niskich gęstościach i mogą przemieszczać się na setki kilometrów kwadratowych. Organizacje ochrony przyrody i służby parkowe umieszczały kamery przy leśnych drogach, ścieżkach zwierzyny i miejscach znaczenia zapachami, często stosując systematyczne siatki, by zapewnić szerokie pokrycie. Każde zdjęcie w zestawie przeszło staranną selekcję: puste klatki oraz zdjęcia z ludźmi lub pojazdami zostały usunięte, a zespoły ekspertów wykorzystały unikalne ułożenie plam na sierści rysia, by potwierdzić, który osobnik pojawia się na danym ujęciu.

Czyszczenie, wybór i etykietowanie obrazów

Wiele kamer rejestrowało krótkie klipy wideo zamiast pojedynczych zdjęć, co mogło generować ogromne liczby niemal identycznych klatek. Aby zestaw danych pozostał poręczny i informatywny, autorzy użyli automatycznego detektora do znalezienia klatek, na których zwierzę jest wyraźnie widoczne, a następnie wybrali maksymalnie trzy reprezentatywne zdjęcia z każdego spotkania. Wybrane ujęcia faworyzują pełne sylwetki, widoki z boku, gdzie wzory plam są dobrze widoczne, oraz sytuacje, gdy zwierzę jest na tyle blisko, by dostrzec drobne detale. Następnie ludzie‑adnotatorzy dodali kilka warstw informacji: precyzyjne kontury ciała każdego rysia, zestaw do 20 punktów kluczowych oznaczających stawy i cechy twarzy oraz opisowe tagi, np. która strona zwierzęcia jest widoczna. Do tworzenia wstępnych etykiet użyto narzędzi półautomatycznych — nowoczesnych modeli segmentacji i estymacji pozy — które potem zostały sprawdzone i dopracowane przez ludzi.

Budowanie cyfrowego bliźniaka rysia

Dane z prawdziwych fotopułapek, choć bogate, mają ograniczenia: rzadkie pozy, nietypowe oświetlenie czy niektóre wzory sierści po prostu nie występują wystarczająco często, by w pełni wyszkolić i przetestować zaawansowane algorytmy. Aby wypełnić te luki, zespół stworzył syntetyczny odpowiednik rzeczywistych obrazów. Korzystając z silnika Unity, umieszczono szczegółowy model 3D rysia w fotorealistycznych wirtualnych leśnych scenach inspirowanych rzeczywistymi lokalizacjami fotopułapek. Wirtualne zwierzę porusza się po tych scenach, zatrzymuje losowo w różnych punktach i jest obserwowane z różnych kątów pod zmiennym światłem i pogodą. Aby zasymulować wiele odrębnych osobników, badacze wygenerowali setki różnych tekstur sierści przy użyciu metody syntezy obrazów sterowanej tekstem, tworząc szeroką gamę naturalnie wyglądających wzorów plam i pasiastych znaków. Każda renderowana klatka automatycznie zawiera doskonałą znajomość konturu rysia, jego szkieletu i tożsamości.

Testowanie wizji komputerowej w warunkach rzeczywistych

Zestaw danych jest zorganizowany wokół trzech kluczowych zadań: rozróżniania poszczególnych rysiów, estymacji ich pozy ciała oraz oddzielania ich od tła. Jednolita, spójna tabela metadanych łączy każde zdjęcie z jego tożsamością, czasem i miejscem, punktem widzenia oraz podziałami specyficznymi dla zadań. Aby odzwierciedlić realistyczne wyzwania ochrony, autorzy definiują kilka schematów oceny. W ustawieniu „świadomym geograficznie” modele są trenowane w jednym regionie i testowane w innym, co sprawdza, jak dobrze przenoszą się na nowe krajobrazy. W ustawieniach „świadomych czasu” zdjęcia treningowe i testowe są rozdzielone sezonami i latami, tak aby algorytmy musiały radzić sobie ze starzeniem się zwierząt, zmianami wyglądu lub pojawieniem się nowych osobników. Te starannie zaprojektowane podziały pomagają uniknąć subtelnych przecieków danych i stanowią trudny, realistyczny benchmark dla przyszłych metod.

Co to znaczy dla ochrony rysiów

W istocie CzechLynx przekształca lata żmudnej pracy terenowej w współdzielony zasób dla szerszej społeczności badawczej. Łącząc starannie zweryfikowane zdjęcia z realistycznymi obrazami syntetycznymi i szczegółowymi anotacjami, zestaw danych daje systemom wizji komputerowej wszystko, czego potrzebują, by nauczyć się wykrywać, śledzić i rozpoznawać poszczególne rysie na przestrzeni długiego czasu i w odległych regionach. Dla osób zajmujących się ochroną przyrody bardziej niezawodne narzędzia automatyczne mogą oznaczać szybsze informacje o wielkości populacji, przeżywalności i przemieszczaniu się — wszystkie te dane są kluczowe do wczesnego wykrywania problemów, kierowania działaniami ochronnymi i wspierania długoterminowego powrotu do zdrowia jednego z ikonicznych dzikich kotów Europy.

Cytowanie: Picek, L., Straka, J., Jirik, M. et al. CzechLynx: A Dataset for Individual Identification and Pose Estimation of the Eurasian Lynx. Sci Data 13, 511 (2026). https://doi.org/10.1038/s41597-026-06853-9

Słowa kluczowe: ryś euroazjatycki, fotopułapki, monitoring przyrody, wizja komputerowa, dane syntetyczne