Arctique canadien : une IA repère des bélugas après 34 images de drones DJI annotées
Des chercheurs de Florida Atlantic University ont entraîné un modèle à détecter des bélugas dans des vidéos de drones DJI de l'Arctique canadien. Les baleineaux restent toutefois difficiles à repérer.
Des chercheurs de Florida Atlantic University (FAU, États-Unis) ont entraîné un modèle d’intelligence artificielle à repérer des bélugas dans des vidéos de drones tournées dans l’Arctique canadien, à partir de seulement 34 images annotées à la main. L’étude, menée avec Pêches et Océans Canada, a été publiée le 4 septembre dans Frontiers in Marine Science, puis annoncée par l’université le 19 novembre.
Les données comptent 7 655 images extraites de vidéos 4K, filmées en 2022 et 2023 par des drones DJI Phantom 4, Mini, Mavic 3E et Matrice. La méthode, dite d’apprentissage semi-supervisé, consiste à faire annoter un petit lot par des biologistes, puis à laisser le modèle s’entraîner sur des milliers d’images non annotées. Les auteurs affirment obtenir des résultats comparables avec cinq à dix fois moins d’annotation.
Un net gain sur les baleineaux, pas sur les adultes
Le modèle SEMI-DETR obtient 19,2 points de précision moyenne avec 34 images annotées (1 % d’un lot de 3 417 images), contre 16,0 pour YOLO11s, le meilleur de quatre modèles YOLO11 entraînés classiquement. L’écart culmine à 6,6 points avec 171 images (33,6 contre 27,0). Une seconde méthode semi-supervisée, Soft Teacher, a fait moins bien que YOLO11s à tous les niveaux testés.
Le gain tient surtout aux baleineaux, essentiels pour juger si une population se reproduit : avec 34 images, SEMI-DETR en détecte 27,8 % dans le jeu de test, contre 1,3 % pour YOLO11s. Pour les adultes, les résultats sont proches (63,6 % contre 60,2 %). Avec 1 709 images annotées, SEMI-DETR retrouve 66,6 % des baleineaux et 84,3 % des adultes, contre 43,9 % de baleineaux pour YOLO11s.
L’analyse d’erreurs porte sur 1 249 baleineaux : 25,3 % ont été manqués et 2,7 % pris pour des adultes. Les auteurs invoquent la résolution : les vols étaient autorisés à 20 mètres au-dessus de l’eau, altitude à laquelle un baleineau moyen occupe 17,9 sur 29 pixels, et parfois 1 sur 2. Reflets, eau trouble, proximité des adultes et glace marine ajoutent des erreurs. L’étude recommande de voler plus bas lorsque la réglementation le permet, ou d’utiliser des caméras à zoom plus puissant.
Selon DroneXL, la solution passe plutôt par le zoom, car une étude de l’Université de Windsor sur les bélugas de l’estuaire du Saint-Laurent a relevé des plongées brusques lors de 14,3 % des vols sous 23 mètres, contre 4,3 % sur l’ensemble des vols. L’étude de FAU teste la détection image par image ; le suivi d’individus d’une image à l’autre est présenté comme une piste future.
Pourquoi c'est important
L’annotation manuelle est un goulot d’étranglement connu de la recherche faunique : le drone produit plus de vidéo que les équipes ne peuvent en traiter. Réduire ce besoin ouvre la voie à des suivis plus accessibles aux petites équipes, y compris en Europe, où le drone civil sert déjà à observer la faune marine. Le cas montre aussi les limites d’un matériel grand public ou professionnel de série : la qualité du capteur et de l’optique pèse autant que l’algorithme. Pour DJI, dont les appareils dominent ces usages scientifiques, la question du zoom est donc stratégique, tout comme l’arbitrage entre qualité des données et dérangement des animaux, que les autorisations de vol devront continuer à encadrer.
Photo : ZLEA / Wikimedia Commons, CC BY-SA 4.0
