En bilddatabas med vild fisk för individuell återidentifiering och fenotypning

Varför det spelar roll att studera fiskansikten noggrant

Vilda djur kan ofta se lika ut för oss, men varje individ bär på sin egen historia av tillväxt, rörelse och överlevnad. För marinbiologer innebär att följa dessa historier oftast att fånga fiskar, fästa märkning och hoppas få återse dem senare — en process som är både kostsam och stressande för djuren. Denna studie presenterar Melops, en stor öppen bildsamling av en färgrik kustfisk, berggylta, utformad för att låta datorer känna igen enskilda fiskar enbart utifrån deras ansiktsmönster och att mäta hur deras utseende förändras över tid.

Ett växande fotoalbum av vilda fiskar

Under sju år längs västkusten i Norge fångade forskarna upprepade gånger nästan tiotusen vilda berggylta. För varje fisk registrerades längd, kön och kondition, en liten elektronisk märkning implanterades för pålitlig identifiering och båda kroppssidorna fotograferades mot en standardiserad vit bakgrund. Denna noggranna rutin gav 24 578 bilder, inklusive mer än 8 500 foton av fiskar som återfångats fler än en gång. Eftersom många individer återfångades över månader och år fångar datamängden hur verkliga vilda fiskar förändras i storlek, färg och skick när de åldras, leker och återhämtar sig från skador.

Att göra råfoton till maskinläsbar data

För att göra dessa bilder användbara för artificiell intelligens gjorde teamet betydligt mer än att bara lagra fotografier. En delmängd av bilderna annoterades noggrant för hand, där fiskens kontur, huvudregion och elva anatomiska landmärken som nos, öga och stjärtbas markerades. Dessa exempel användes för att träna moderna datorseendemodeller (YOLOv8) som automatiskt kan lokalisera fisken, beskära kroppen eller enbart huvudet och exakt ange viktiga kroppsdrag över hela samlingen. Resultatet är en uppsättning standardiserade bildutskärningar—helkropp, huvud och kropp utan huvud—samt precisa koordinater för viktiga punkter på fisken.

Att läsa färg och form konsekvent

Eftersom bilderna togs i fält under varierande ljusförhållanden tog forskarna också itu med utmaningen att göra färger jämförbara mellan bilder. De flesta foton innehåller ett vitt referenskort, vilket gör det möjligt för mjukvara att mäta hur mycket varje bild avviker från en känd standard och att korrigera ljusstyrka och färgton därefter. Skript i Python och R, öppet delade med datamängden, visar hur dessa korrigeringar utförs och hur man extraherar färginformation från specifika regioner som kinden. Denna noggranna standardisering är avgörande för att studera subtila färgskillnader kopplade till kön, säsong, hälsa och social status.

Kan människor och maskiner upptäcka samma fisk?

Berggylta har invecklade, högkontrastiga mönster på huvudet som fungerar som ett ansiktsfingeravtryck. För att se hur väl människor kan använda dessa mönster byggde teamet ett enkelt onlinetest kallat FishFaces. Deltagarna fick se ett förfrågningshuvud av en fisk och två kandidatbilder och ombads välja vilken som visade samma individ, ibland separerade av år. Åtta erfarna observatörer uppnådde nära perfekt noggrannhet, även när fisken hade vuxit eller ändrat färgton. Tidigare datorexperiment på en mindre delmängd av data visade att nuvarande djupa inlärningsmetoder redan kan hitta rätt fisk i ungefär hälften av svåra fall, och den nya, större datamängden är avsedd att driva dessa metoder mycket längre.

Vad detta innebär för att övervaka livet under vatten

Genom att öppet publicera Melops och alla tillhörande verktyg erbjuder författarna en sällsynt, rikligt dokumenterad journal över tusentals vilda fiskar följda över tid. För icke-specialister är huvudbudskapet att vi snart kan komma att övervaka fiskpopulationer, könsfördelningar, tillväxt och hälsa enbart genom att analysera fotografier, vilket minskar behovet av invasiva märkningar. Samma ramverk kan anpassas till andra arter med distinkta teckningar och erbjuder ett kraftfullt sätt att studera djurliv, fiskepåverkan och miljöförändringar samtidigt som mer av djurens värld lämnas ostörd.

Citering: 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

Nyckelord: individidentifiering av djur, datorseende, fiskekologi, bilddatabas, färg- och mönster