RECONOCIMIENTO AUTOMÁTICO DE MAMÍFEROS A PARTIR DE IMÁGENES DE CÁMARAS TRAMPA

Abstract

El monitoreo de fauna con cámaras-trampa es esencial para la conservación, pero produce grandes volúmenes de imágenes que suelen requerir clasificación manual. En este trabajo se evaluó el desempeño de modelos de detección automática basados en aprendizaje profundo (YOLOv8n, YOLO11n y YOLO11s) para identificar mamíferos del sudoeste bonaerense en imágenes de cámaras trampa. Se utilizó un conjunto de 5605 imágenes etiquetadas en ocho categorías taxonómicas, dividido en entrenamiento (80%), validación (10%) y prueba (10%). Los modelos se entrenaron y compararon mediante métricas estándar de detección de objetos (precisión, recall, mAP50, mAP50-95 y F1-score) y medidas de eficiencia computacional (tiempo de inferencia, GFLOPs y tamaño del modelo). Los resultados mostraron precisión y sensibilidad altas (≥85%) y valores de mAP50 superiores al 90% en la mayoría de las categorías, evidenciando una buena capacidad para reconocer especies bajo variaciones de iluminación y fondo. YOLO11s presentó el mejor equilibrio entre rendimiento y velocidad, por lo que se destaca como opción viable para aplicaciones en tiempo real y en dispositivos de bajo consumo. Este estudio aporta una validación local de modelos YOLO para mamíferos en la región y propone una herramienta eficaz para automatizar el monitoreo, reducir costos y mejorar la gestión de la biodiversidad

Camera-trap monitoring is essential for conservation, but it produces large volumes of images that often require manual classification. This study evaluated the performance of deep-learning–based automatic detection models (YOLOv8n, YOLO11n, and YOLO11s) to identify mammals from southwestern Buenos Aires Province in camera-trap images. A dataset of 5,605 images labeled into eight taxonomic categories was used and split into training (80%), validation (10%), and test (10%) subsets. The models were trained and compared using standard object-detection metrics (precision, recall, mAP50, mAP50–95, and F1-score) as well as computational-efficiency measures (inference time, GFLOPs, and model size). Results showed high precision and sensitivity (≥85%) and mAP50 values above 90% for most categories, demonstrating strong ability to recognize species under varying illumination and background conditions. YOLO11s achieved the best balance between detection performance and inference speed, making it a suitable option for real-time applications and low-power devices. This study provides a local validation of YOLO models for mammals in the region and offers an effective tool to automate wildlife monitoring, reduce operational costs, and improve biodiversity management.