awesome-insectai

github2026-05-28 更新2026-06-04 收录

昆虫图像识别

昆虫监测

数据链接：

https://github.com/InsectAI-COST-Action/awesome-insectai 数据链接链接失效反馈

官方服务：

资源简介：

这是一个精选的资源列表，专注于使用人工智能和深度学习进行昆虫检测、分类和监测的相关论文、数据集、代码和预训练模型。合集涵盖了多个公开数据集，涉及昆虫图像识别、时间序列监测等领域，旨在为研究人员和开发者提供集中的资源索引。

This is a curated list of resources focusing on papers, datasets, code, and pre-trained models related to insect detection, classification, and monitoring using artificial intelligence and deep learning. This collection covers multiple public datasets spanning fields such as insect image recognition and time-series monitoring, aiming to provide a centralized resource index for researchers and developers.

创建时间：

2025-10-23

原始信息汇总

数据集详情

该页面是一个关于使用人工智能和深度学习进行昆虫检测、分类和监测的精选资源列表，涵盖了论文、数据集、代码和预训练模型。

资源分类

页面内容按以下类别组织：

检测与分割（Detection and Segmentation）：包含昆虫检测和图像分割相关的论文、代码及数据集。
分类（Classification）：包含昆虫分类相关的论文、代码及数据集。
杂项（Miscellaneous）：包含其他相关资源，如项目网页、数据平台、标准规范和工具。

代表性资源

检测与分割

flatbug（2025）：一种用于图像中陆生节肢动物检测和分割的通用方法。提供论文、代码、演示和数据集链接。
- 数据集：https://zenodo.org/records/14761447
Ștefan V 等人（2025）：研究预训练YOLO检测器在未见过的延时图像上应用于自动传粉者监测的成功与局限性。提供论文、代码、权重和数据集链接。
- 数据集：https://doi.org/10.5281/zenodo.15127689
Jain A, Cunha F 等人（2024）：提出一个用于自动昆虫监测的机器学习流程。提供论文、代码和数据集链接。
- 数据集：https://github.com/RolnickLab/ami-dataset
Bjerge K 等人（2023）：利用深度学习从相机陷阱图像中准确检测和识别昆虫。提供论文、代码、权重和数据集链接。
- 数据集：https://zenodo.org/records/7395752
Stark T 等人（2023）：YOLO目标检测模型可以定位和分类图像中广泛的访花节肢动物群体。提供论文、项目代码、模型代码和权重链接。
Bjerge K 等人（2023）：在延时相机记录中对小型昆虫进行目标检测。提供论文链接。

杂项

ARNI Manual（2026）：描述自动夜间昆虫记录器的项目网页：https://lepmon.de/en/software-and-documentation/
Method comparison（2026）：比较蛾类相机灯光陷阱与传统漏斗灯光陷阱的论文。
gbifxdl（2025）：一个用于从GBIF大规模下载图像及其元数据的代码工具：https://github.com/GuillaumeMougeot/gbifxdl
antenna（2024）：昆虫数据平台，提供网站、代码和论文：https://www.insectai.org/
camtrapdp（2024）：一个用于相机陷阱数据FAIR交换和归档的开放标准：https://camtrap-dp.tdwg.org/
Mothbot（2024）：用于自动昆虫数据的离线后处理和标注工具：https://digital-naturalism-laboratories.github.io/Mothbox/

贡献与许可

贡献指南：欢迎贡献，需先检查重复项，遵循表格格式，提供DOI、GitHub链接和数据集来源，并通过Pull Request提交。
许可：该项目基于MIT许可证。

搜集汇总

数据集介绍

构建方式

在昆虫学与人工智能交叉领域蓬勃发展的当下，awesome-insectai数据集应运而生。该数据集并非传统意义上的单一数据集合，而是一个精心策划的资源索引库。其构建方式基于对公开学术文献的系统性梳理与筛选，收录了涵盖昆虫检测、分割、分类及监测等方向的研究成果。每一收录条目均需满足提供模型权重的硬性要求，并附有论文、代码、演示及数据集的链接，从而确保资源的可复现性与实用性。通过表格化组织，该索引库将不同年份、不同任务类型的资源清晰归类，为研究者提供了结构化的知识导航。

特点

该数据集的核心特点在于其全面性与专业性。它横跨2023至2026年的前沿工作，覆盖检测分割、分类及杂项三大模块，囊括了从YOLO目标检测模型到BioCLIP层次对比学习等多样化技术路线。尤为突出的是，它不仅收录了经典方法，还关注了自动化记录器、数据标准等基础设施工具，体现了对昆虫智能监测生态系统的整体关照。此外，所有条目均附带可访问的代码、权重与数据集链接，确保了资源的开放性与可验证性，为昆虫学与计算机视觉的交叉研究提供了坚实的知识底座。

使用方法

使用该数据集时，研究者可根据自身任务需求，在对应模块中快速定位相关资源。例如，若需进行昆虫目标检测，可在“Detection and Segmentation”表格中查阅近年来的代表性工作，并通过提供的链接直接获取论文原文、模型权重及训练代码。对于分类任务，则可转向“Classification”部分。此外，该索引库还提供了Colab演示与在线平台链接，便于研究人员直接进行实验验证与结果复现。通过这种资源聚合的方式，研究者能够高效地获取领域内最新进展，加速自身研究进程。

背景与挑战

背景概述

昆虫是生态系统健康的关键指示生物，其种群动态与农业生产、生物多样性保护及疾病传播密切相关。然而，传统昆虫监测依赖人工鉴定与计数，效率低下且难以规模化。近年来，人工智能与深度学习技术的飞速发展为昆虫自动识别与监测开辟了新路径。Awesome InsectAI数据集由InsectAI COST Action等国际研究团队于2025年前后发起，旨在系统整合昆虫检测、分类与监测领域的论文、数据集、代码及预训练模型。该数据集聚焦于解决昆虫图像中微小目标检测、类间相似性高及野外环境复杂等核心研究问题，通过收录如flatbug、YOLO等代表性工作，为生态学家与计算机科学家搭建了跨学科桥梁，对推动自动化昆虫监测技术从实验室走向实地部署具有重要影响力。

当前挑战

该数据集所解决的领域问题面临多重挑战：其一，昆虫个体微小且运动频繁，在时间序列图像中实现高精度检测与分割仍受限于目标尺寸小、遮挡严重及背景杂波干扰；其二，昆虫物种多样性极高，不同发育阶段与姿态下的类内变异显著，加之野外光照、天气等环境因素多变，导致分类模型的泛化能力不足。在构建过程中，数据集的维护团队需持续追踪海量零散发布的学术成果，确保收录的模型权重与数据集链接可访问且版本兼容，同时协调不同研究组间的标注标准与数据格式，以实现跨平台的可复现性。此外，从GBIF等全球数据库批量下载图像时，元数据的一致性管理亦构成技术瓶颈。

常用场景

经典使用场景

在生态监测与农业害虫防控领域，awesome-insectai数据集为研究者提供了系统化的深度学习工具与资源。其最经典的使用场景在于利用目标检测与分割模型（如YOLO、flatbug）对昆虫图像进行自动化定位与识别，尤其适用于从相机陷阱或延时摄影中提取微小昆虫的精确边界。该数据集整合了从野外采集到实验室标注的多样化图像，支持跨物种、跨场景的模型训练，使得研究者能够高效构建从图像预处理到昆虫分类的完整流水线，显著提升了昆虫监测的自动化水平与数据一致性。

衍生相关工作

该数据集催生了多项开创性工作，如flatbug提出的通用节肢动物检测分割方法，以及BioCLIP 2利用层次化对比学习构建的物种级视觉表征模型。AMI项目在此基础上开发了完整的机器学习流水线，实现了从图像到生态指标的自动转化。此外，Camtrap DP标准与gbifxdl工具进一步规范了昆虫图像数据的FAIR共享，而Mothbot则聚焦于离线后处理与标签校正，这些工作共同构建了一个从数据采集、模型训练到知识发现的完整生态系统，加速了昆虫AI领域的交叉创新。

数据集最近研究