Vision par ordinateur pour la surveillance des espèces de vautours en Afrique
Solution complète
Détection du vautour à dos blanc avec Declas
Stanislas Mahussi Gandaho
Cette solution alimentée par l'IA soutient les objectifs 17 et 20 du Cadre mondial pour la biodiversité (CMB) en s'appuyant sur la biotechnologie pour renforcer la surveillance des espèces et favoriser le transfert de technologies pour la conservation de la biodiversité. En utilisant un modèle d'apprentissage profond, "You Only Look Once version 11" (YOLOv11), elle automatise l'identification et l'analyse des vautours en danger critique d'extinction(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) dans les données de drones et de pièges photographiques. Les données du Réseau des parcs africains (APN), du Southern African Wildlife College (SAWC), de l'Endangered Wildlife Trust (EWT), de plateformes comme iNaturalist et du GBIF serviront à former et à valider le modèle.
Le projet s'attaque à des problèmes tels que la surveillance à forte intensité de main-d'œuvre et les lacunes en matière de données. Sa conception open-source favorise l'accessibilité, la collaboration et le renforcement des capacités au sein des réseaux de conservation africains, en comblant directement les lacunes dans les systèmes de données et de suivi de la biodiversité.
Dernière modification 31 Oct 2025
112 Vues
Galerie de photos et de vidéos
Contexte
Défis à relever
Sur le plan environnemental, la solution permet de lutter contre le déclin des populations en assurant un suivi précis des vautours en danger critique d'extinction. Cela permet une conservation ciblée et contribue à protéger leur rôle écologique de charognards, essentiel pour prévenir la propagation des maladies et maintenir la santé de l'écosystème (Den Heever et al., 2021). Sur le plan social, notre solution vise à surveiller efficacement les vautours à l'aide de pièges photographiques (de Freitas et al., 2025 ; Fernández-Bellon et al., 2017 ; Harrison et al., 2019 ; Maphalala & Monadjem, 2017), étant donné que la surveillance traditionnelle à l'aide de pièges photographiques reste difficile (Young, Rode-Margono, & Amin, 2018 ; Vélez et al., 2023). Il s'attaque au manque de sensibilisation à l'importance des vautours en générant des données pour soutenir les campagnes éducatives et offre un outil accessible et open-source qui responsabilise les défenseurs de l'environnement avec des ressources limitées. D'un point de vue économique, il réduit les coûts élevés de la surveillance traditionnelle, qui repose sur des enquêtes à forte intensité de main-d'œuvre.
Emplacement
Bénin
Afrique du Sud
Afrique occidentale et centrale
Afrique du Nord
Afrique de l'Est et du Sud
Traiter
Résumé du processus
Le succès de cette solution intégrée dépend de la manière dont ses composants se renforcent mutuellement : La collecte de données et le développement de l'IA (bloc 1) constituent la base de données d'entraînement de haute qualité qui alimentent l'outil de surveillance Declas (bloc 2), garantissant une détection précise des espèces. Cette capacité technologique permet ensuite au programme de renforcement des capacités et de plaidoyer (bloc 3) de transférer efficacement les compétences aux praticiens de la conservation. Les réseaux de partenaires locaux amplifient cet impact en facilitant la collecte des données et la participation des bénéficiaires à la formation, tandis que le soutien post-formation garantit l'adoption durable de l'outil.
Blocs de construction
Modèle de reconnaissance des espèces de vautours alimenté par l'IA
Ce module vise à automatiser la surveillance des vautours en développant un modèle pour détecter et classer quatre espèces de vautours(Gyps africanus, Gyps coprotheres, Gyps rueppelli, Torgos tracheliotos) à partir de données visuelles, en réduisant les efforts manuels, en accélérant l'analyse et en garantissant la cohérence. Il s'appuie sur Google Colab Pro+ pour exécuter le code Python et entraîner le modèle sur de grands ensembles de données d'images, en utilisant le package Ultralytics avec YOLOv11 pour la classification des vautours. Les images sont stockées sur un Google Drive de 2 To, provenant de la base de données iNaturalist via le package R rinat et complétées par des données du Southern African Wildlife College et de l'Endangered Wildlife Trust. Le plan d'équipe Computer Vision Annotation Tool (CVAT) permet l'annotation collaborative des images, permettant à plusieurs utilisateurs d'étiqueter et d'exporter des images avec des annotations pour la formation et la validation.
Facteurs favorables
- Un ensemble de données annotées de haute qualité avec diverses images représentant l'espèce cible dans différents environnements et conditions.
- L'accès à des ressources informatiques (Google Colab Pro+) pour l'entraînement et la validation du modèle d'IA.
- Collaboration avec des conservateurs pour valider les résultats du modèle dans des conditions de terrain.
Leçon apprise
- Veiller à ce que l'ensemble des données soit représentatif des conditions réelles afin d'éviter tout biais dans la détection (par exemple, l'éclairage, les angles, les habitats).
- Des mises à jour régulières du modèle avec de nouvelles données améliorent la précision et l'adaptabilité.
- Les défis comprennent les erreurs de classification dues au chevauchement des caractéristiques des espèces ; il est essentiel que des experts valident les résultats initiaux.
Ressources
Logiciel libre pour la surveillance des vautours
Ce module s'appuie sur Declas, un outil d'intelligence artificielle open-source, pour automatiser la surveillance des vautours. En analysant des images ou des vidéos, il détecte et classe les espèces avec une grande précision. Le système élimine le comptage manuel, ce qui permet un suivi évolutif et rentable de la faune. Les utilisateurs - chercheurs, gardes forestiers ou défenseurs de l'environnement - téléchargent simplement des données visuelles, et l'outil génère des informations en temps réel pour une prise de décision éclairée. Construit sur YOLOv11 (Ultralytics) et formé à partir de données provenant de la communauté.
Facteurs favorables
- Une interface utilisateur simple et intuitive pour garantir l'accessibilité aux utilisateurs non techniques.
- Une documentation et des ressources de formation permettant aux utilisateurs de comprendre et d'utiliser efficacement l'application.
- Un retour d'information de la part de la communauté afin d'améliorer en permanence la convivialité et les fonctionnalités de l'outil.
Leçon apprise
- La facilité d'utilisation est essentielle ; les interfaces trop complexes découragent les utilisateurs.
- L'offre d'une assistance technique et d'une documentation claire garantit une adoption plus large.
- Les défis d'intégration comprenaient l'alignement des résultats du modèle d'IA avec des outils de visualisation conviviaux ; des tests itératifs ont été essentiels pour résoudre ce problème.
Ressources
Formation hybride et plaidoyer en faveur de la conservation
Ce module propose une formation pratique à l'utilisation de Declas pour les chercheurs et les conservateurs au Bénin et en Afrique du Sud (hors ligne) et dans le monde entier (en ligne via Zoom). Les sessions couvrent :
- L'utilisation du logiciel : Téléchargement des données, interprétation des résultats générés par l'IA et intégration des résultats dans les stratégies de conservation.
- Le plaidoyer en faveur de la conservation : Sensibilisation au déclin des vautours et au rôle de l'IA dans la surveillance à grande échelle.
Les stagiaires apprendront à déployer Declas dans le cadre d'enquêtes sur le terrain, réduisant ainsi la dépendance à l'égard des comptages manuels tout en améliorant la précision des données. L'approche hybride garantit une large accessibilité, en permettant aux équipes locales de disposer d'une technologie rentable.
Facteurs favorables
- Internet et électricité fiables pour les sessions en ligne/hors ligne.
- Soutien des partenaires locaux pour la logistique et l'engagement.
- Préparation de la formation (matériel, configuration du logiciel).
Impacts
Le projet a eu des effets positifs importants sur les plans environnemental, social et économique.
Impacts environnementaux
Le modèle alimenté par l'IA a été testé dans les forêts de Sota, Trois Rivières et Alibori Supérieur (Bénin) et dans les réserves de Kempiana et Manyeleti (Afrique du Sud). Sur l'ensemble de ces sites, il a permis d'identifier avec précision Gyps africanus dans plus de 89 % des images analysées, confirmant ainsi sa présence dans ces écosystèmes. Au Bénin, il a détecté une abondance supérieure de 15 % à celle des études manuelles précédentes, soulignant ainsi son efficacité à fournir des données fiables pour le suivi des populations de vautours. En identifiant les pics d'activité quotidiens, il a permis d'affiner les stratégies de conservation, notamment en garantissant la disponibilité des carcasses pendant les périodes d'alimentation intense.
Impacts sociaux
Le logiciel Declas a déjà été téléchargé plus de 90 fois depuis son lancement il y a 4 mois (https://zenodo.org/records/14166440) sans promotion ni formation hybride.
Impacts économiques
L'outil a permis de réduire considérablement les coûts de surveillance de 40 %, en économisant les ressources précédemment consacrées aux enquêtes post-travaux avec pièges photographiques. La protection des vautours a indirectement bénéficié aux économies locales.
Bénéficiaires
Les organisations de conservation africaines, les chercheurs et les communautés locales ont bénéficié d'une meilleure surveillance des espèces, d'un meilleur accès aux données, d'un renforcement des capacités et d'une amélioration des résultats en matière de conservation des vautours gravement menacés.
En outre, expliquez le potentiel d'évolutivité de votre solution. Peut-elle être reproduite ou étendue à d'autres régions ou écosystèmes ?
La solution présente un fort potentiel d'évolutivité et peut être reproduite dans d'autres régions ou écosystèmes à l'échelle mondiale. Le modèle d'IA peut être réappris à l'aide de données locales afin de surveiller différentes espèces, tandis que l'application open-source garantit l'accessibilité à diverses équipes de conservation. Par exemple, il pourrait être étendu pour surveiller les espèces charognardes en Asie ou en Amérique latine, ou même d'autres espèces clés, telles que les prédateurs ou les pollinisateurs. En s'appuyant sur des partenariats avec des réseaux de conservation mondiaux, la solution peut intégrer des ensembles de données provenant de plusieurs régions afin d'améliorer sa capacité d'adaptation. Avec un minimum d'ajustements, elle peut également être appliquée à différents écosystèmes, des savanes aux zones tempérées, à condition que les données d'images et les annotations d'espèces pertinentes soient disponibles. Son rapport coût-efficacité et sa conception conviviale la rendent accessible aux équipes disposant de ressources limitées, ce qui favorise son adoption à grande échelle.
Cadre mondial pour la biodiversité (CMB)
Objectif 17 du FBG - Renforcer la biosécurité et répartir les avantages de la biotechnologie
Objectif 20 du GBF - Renforcer le développement des capacités, le transfert de technologies et la coopération scientifique et technique en faveur de la biodiversité
Objectifs de développement durable
ODD 3 - Bonne santé et bien-être
ODD 9 - Industrie, innovation et infrastructure
ODD 15 - Vie terrestre
ODD 17 - Partenariats pour la réalisation des objectifs
Histoire
Au cœur de la Sota, au Bénin, un jeune défenseur de l'environnement nommé Ange se tenait devant un piège photographique, émerveillé par la vue des vautours capturés dans le cadre. Ces vautours ne font pas seulement partie de la faune du parc ; ils sont un indicateur de la santé de l'écosystème du parc et sont vitaux pour les communautés environnantes. Mais malgré leur importance, les vautours, en particulier le Gyps africanus, espèce en danger critique d'extinction, sont confrontés à des menaces massives dues à l'empoisonnement, à la perte d'habitat et à l'absence de surveillance adéquate.
Ange est depuis longtemps impliqué dans la conservation de la faune et de la flore, mais il trouve frustrant de suivre des espèces comme les vautours en utilisant des méthodes obsolètes qui demandent beaucoup de travail. Les enquêtes étaient souvent sporadiques et même les conservateurs expérimentés avaient du mal à identifier manuellement les espèces de vautours, ce qui prenait beaucoup de temps. La nécessité d'une méthode plus efficace et plus précise pour surveiller ces oiseaux était évidente, mais on ne savait pas comment faire ce saut. C'est alors qu'Ange a pris connaissance de notre solution. Il était intrigué et avait vu de ses propres yeux comment les ressources limitées entravaient souvent un suivi efficace, et cela semblait être le moyen idéal pour garantir des données plus précises et en temps réel.
Ange et son équipe ont commencé à utiliser l'outil dans Sota. Dès les premiers mois, ils ont constaté un changement radical dans leur mode de fonctionnement. L'outil a permis non seulement d'identifier les vautours avec précision, mais aussi de suivre leur activité quotidienne et la densité de leur population. Dans les réserves de Kempiana et de Manyeleti en Afrique du Sud, où le modèle a également été testé, les résultats ont été tout aussi transformateurs. Les chercheurs sont désormais en mesure d'évaluer rapidement la présence et le comportement des vautours sans avoir à passer des heures sur le terrain.
L'impact sur le travail d'Aminata a été profond. Elle n'était plus limitée par les contraintes des méthodes traditionnelles. Au contraire, elle avait désormais accès à un outil de surveillance robuste, évolutif et efficace qui non seulement soutenait la conservation des vautours, mais contribuait également à la durabilité à long terme des écosystèmes en Afrique. La réussite d'Aminata témoigne du pouvoir de l'innovation dans le domaine de la conservation. Elle montre comment la fusion de la technologie et de l'expertise locale peut créer un réel changement dans la protection des espèces vulnérables et garantir la santé de notre planète.
