Zbiór zdjęć dzikich ryb do indywidualnej re-identyfikacji i fenotypowania

Dlaczego warto przyglądać się twarzom ryb

Dziki wygląd wielu zwierząt wydaje się dla nas podobny, lecz każdy osobnik niesie własną historię wzrostu, wędrówek i przetrwania. Dla biologów morskich śledzenie tych historii zwykle oznacza chwytanie ryb, przyczepianie znaczników i liczenie na ponowne pojawienie się tych samych osobników — proces kosztowny i stresujący dla zwierząt. W tym badaniu przedstawiono Melops, duży otwarty zbiór zdjęć kolorowej ryby przybrzeżnej, łososiolubnej czarniaka (corkwing wrasse), zaprojektowany tak, by komputery mogły rozpoznawać pojedyncze osobniki wyłącznie po wzorach na głowie i mierzyć, jak zmienia się ich wygląd w czasie.

Rosnący album zdjęć dzikich ryb

Przez siedem lat wzdłuż wybrzeży zachodniej Norwegii badacze wielokrotnie łowili niemal dziesięć tysięcy dzikich czarniaków. Dla każdej ryby rejestrowali długość, płeć i stan zdrowia, wszczepiali niewielki elektroniczny znacznik dla niezawodnej identyfikacji i fotografowali oba boki ciała na standardowym białym tle. Ta staranna procedura dała 24 578 zdjęć, w tym ponad 8 500 fotografii ryb zaobserwowanych więcej niż raz. Ponieważ wiele osobników zostało złapanych ponownie po miesiącach i latach, zbiór odzwierciedla, jak prawdziwe dzikie ryby zmieniają rozmiar, kolor i kondycję wraz z wiekiem, rozmnażaniem i gojeniem się urazów.

Przekształcanie surowych zdjęć w dane gotowe dla maszyn

Aby uczynić te obrazy użytecznymi dla sztucznej inteligencji, zespół zrobił znacznie więcej niż tylko przechować fotografie. Podzbiór zdjęć został mozolnie opatrzony adnotacjami ręcznymi, wyznaczając obrys każdej ryby, region głowy oraz jedenaście punktów anatomicznych, takich jak pysk, oko i nasada ogona. Te przykłady posłużyły do trenowania nowoczesnych modeli widzenia komputerowego (YOLOv8), które mogą automatycznie zlokalizować rybę, wykadrować całe ciało lub tylko głowę oraz wskazać kluczowe cechy ciała w całej kolekcji. Wynikiem jest zestaw standaryzowanych wycinków obrazów — całe ciało, głowa i ciało bez głowy — oraz precyzyjne współrzędne istotnych punktów na rybie.

Jednolite odczyty koloru i kształtu

Ponieważ zdjęcia wykonywano w terenie przy zmiennym świetle, badacze podjęli również wyzwanie uczynienia kolorów porównywalnymi między zdjęciami. W większości fotografii znajduje się biały wzorzec referencyjny, co pozwala oprogramowaniu zmierzyć, jak bardzo każde zdjęcie odchyla się od znanego standardu, i skorygować jasność oraz balans kolorów. Skrypty w Pythonie i R, udostępnione wraz ze zbiorem, pokazują, jak przeprowadzać te korekty i jak wydobywać informacje o kolorze z określonych obszarów, takich jak policzek. Ta staranna standaryzacja jest niezbędna do badania subtelnych różnic kolorystycznych związanych z płcią, porą roku, zdrowiem i statusem społecznym.

Czy ludzie i maszyny dostrzegają te same ryby?

Corkwing wrasse ma skomplikowane, wysokokontrastowe wzory na głowie, które działają jak odcisk twarzy. Aby sprawdzić, jak dobrze ludzie potrafią wykorzystać te wzory, zespół stworzył prosty test online o nazwie FishFaces. Uczestnikom pokazywano zdjęcie głowy jako zapytanie oraz dwie kandydackie fotografie i proszono o wskazanie, która przedstawia tego samego osobnika, czasem rozdzielonego latami. Ośmiu doświadczonych obserwatorów osiągnęło niemal doskonałą dokładność, nawet gdy ryby urosły lub zmieniły ogólny kolor. Wcześniejsze eksperymenty komputerowe na mniejszym podzbiorze danych wykazały, że obecne metody głębokiego uczenia potrafią już wybrać właściwą rybę w około połowie trudnych przypadków, a nowy, większy zbiór ma na celu znaczne zwiększenie tych możliwości.

Co to oznacza dla obserwacji życia pod wodą

Poprzez otwarte udostępnienie Melops i wszystkich powiązanych narzędzi, autorzy oferują rzadko spotykany, bogato udokumentowany zapis tysięcy dzikich ryb śledzonych w czasie. Dla osób spoza specjalności kluczowy przekaz jest taki, że wkrótce możemy móc monitorować populacje ryb, proporcje płci, wzrost i stan zdrowia, analizując jedynie fotografie, co ograniczy potrzebę inwazyjnego znakowania. Ten sam schemat można dostosować do innych gatunków o charakterystycznych znakach, co daje potężne narzędzie do badania życia zwierząt, wpływu rybołówstwa i zmian środowiskowych, pozostawiając więcej ze świata zwierząt nietkniętym.

Cytowanie: 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

Słowa kluczowe: ponowna identyfikacja zwierząt, widzenie komputerowe, ekologia ryb, zbiór obrazów, wzór kolorystyczny