用于个体再识别与表型测定的野生鱼类图像数据集

为何仔细观察鱼类面部很重要

野生动物对我们来说常常看起来相似，但每个个体都携带着自己关于成长、迁徙与生存的独特故事。对于海洋生物学家来说，追踪这些故事通常意味着捕捉鱼类、附加标记并希望日后再次遇见——这既昂贵又会给动物带来压力。本研究介绍了 Melops，一个关于色彩斑斓的沿岸鱼类——软口隆头鱼（corkwing wrasse）的开放大规模图像集合，旨在让计算机仅凭面部纹理识别个体鱼只，并测量它们外观随时间的变化。

不断扩展的野生鱼类相册

在挪威西部海岸的七年中，研究人员反复捕获了近一万条野生软口隆头鱼。对每条鱼，他们记录了体长、性别和健康状况，植入了用于可靠识别的小型电子标记，并在标准白色背景下拍摄了鱼体的两侧照片。这一谨慎流程产生了24,578张图像，其中超过8,500张是对曾被多次拍摄个体的照片。由于许多个体在数月乃至数年间被再次捕获，数据集记录了真实野生鱼类在生长、繁殖和从伤病中恢复过程中体型、色彩和体况如何变化。

将原始照片转成机器可用的数据

为了让这些图像对人工智能有用，团队做的不仅仅是存储照片。对一部分图像进行了细致的手工标注，勾勒出每条鱼的轮廓、头部区域以及包括吻端、眼睛和尾基在内的十一处解剖学关键点。这些标注示例用来训练现代计算机视觉模型（YOLOv8），使其能自动定位鱼只、裁切出全身或仅头部，并在整个集合中标记关键体征。最终产出是一套标准化的图像裁切——整身、头部和去头的身体——以及鱼体重要点的精确坐标。

一致地读取颜色与形状

由于照片是在不断变化的野外光照条件下拍摄，研究人员还解决了使颜色在图像间可比的问题。大多数照片包含一张白色参考卡，允许软件测量每张图片相对于已知标准的偏差，并相应校正亮度与色彩平衡。与数据集一并公开的 Python 和 R 脚本展示了如何执行这些校正以及如何从特定区域（例如面颊）提取颜色信息。这种仔细的标准化对研究与性别、季节、健康和社会地位相关的细微色彩差异至关重要。

人类与机器能否认出同一条鱼？

软口隆头鱼头部具有复杂且高对比度的纹理，类似于面部指纹。为了评估人类利用这些纹理的能力，团队构建了一个名为 FishFaces 的简易在线测试。参与者会看到一张查询鱼头照和两个候选图像，并被要求选择哪一张是同一只个体，有时这些照片相隔多年。八位经验丰富的观察者在判断上接近完美准确率，即便鱼只体型增长或整体颜色发生变化。早期在较小子集上进行的计算机实验显示，当前的深度学习方法在约一半的难题中能正确识别，而这个更大、更全面的数据集旨在推动这些方法取得更大进展。

这对水下生命监测意味着什么

通过公开发布 Melops 以及所有相关工具，作者们提供了一份罕见且记录详尽的数千条野生鱼类随时间追踪的档案。对非专业人士而言，关键信息是我们可能很快就能仅通过分析照片来监测鱼群数量、性别比、生长与健康，从而减少对侵入性标记的需求。同一套框架可被适配到其他具有显著标记的物种，为研究动物生活、渔业影响与环境变化提供一种在尽量不打扰动物世界的前提下强有力的方法。

引用: 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

关键词: 动物再识别, 计算机视觉, 鱼类生态学, 图像数据集, 颜色纹理