[鉴翎]中国鸟种识别模型训练-导论
人工智能

[鉴翎]中国鸟种识别模型训练-导论

5 min read
Photo by Alan Wu / Unsplash

让我决定做鸟类识别模型的，不是某个排行榜指标，而是一次很普通的使用场景：照片里确实有鸟，模型也很自信，但名字错得离谱。更麻烦的是，它不是随机错，而是在相似种、远景小目标、裁切漂移、背景干扰这些场景里非常自信的出错，这几乎不可避免，全球有1万余种鸟类，一个覆盖全球鸟类（比如懂鸟）的识别模型，如果不结合 GIS等地理信息在识别精度上会惨不忍睹。

这类错误对观鸟摄影爱好者很糟糕。拍完一批照片后，用户并不是想研究模型为什么错，只是希望它至少别把一张明显信息不足的图硬说成某个具体物种。对这个产品来说，拒识要比错识更重要。

于是这个项目从“训练一个分类模型”，逐渐变成了一整套数据与模型工程：先统一物种名录，再清洗多来源图片，再处理 bbox 裁切，再解决长尾采样，最后才是 DINOv3 训练。

训练数据并不是干净教材图，而是来自多个来源、多个裁切标准的真实图片集合

目标

一个面向中国观鸟摄影爱好者的鸟类识别模型：

  • 输入单张鸟类照片
  • 输出 Top-K 物种预测
  • 同时返回中文名、学名、英文名、科属、IUCN、保护等级
  • 对无鸟、裁切失败、置信度不足的图片尽量拒识

它不是科研监测系统，也不试图识别世界所有鸟类。第一阶段以《中国鸟类名录 v12.0》的 1,516 种为基础，后续又加入 96 个中国真实场景中常见的观赏鸟、圈养鸟和动物园鸟类，目标目录扩大到 1,612 类。

为什么不能只训模型

如果只看模型，DINOv3 已经足够强。Frozen backbone 加一个分类头，v2 的 1,018 类模型就能做到 91.73% test top-1；v3 扩到 1,301 类后，24 ckpt ensemble 仍然有 91.65%；v3 LoRA @224 进一步到 93.16%。

但这些数字背后有一堆更重要的问题：

  • 同一种鸟在不同数据源里可能有不同中文名、旧学名和别名
  • 同一次观察的连拍如果同时进入 train 和 test，指标会虚高
  • bbox 裁歪了，模型看到的就不是鸟
  • 常见鸟有几千张图，稀有鸟可能只有几十张
  • Qwen 返回的 bbox 是 [0,1000] 归一化坐标，不是像素
  • 过度长尾采样会把模型带歪
  • 一些公开数据源背景太干净，未必代表真实用户照片
  • 训练数据许可和模型权重许可不能混为一谈

所以这个系列会分成三篇：

  1. 数据工程篇：从多来源图片到可信训练语料，重点讲 taxonomy、去重、split、合规和 source-shift。
  2. 模型训练篇：从 YOLO baseline 到 DINOv3 frozen feature，再到 LoRA，重点讲训练路线、长尾、分辨率和翻车案例。
  3. 部署复盘篇：从 bbox 裁切到 reject head，重点讲 Qwen/PlumeLens 审计、模型包、延迟、负样本和产品策略。

整体流程大致是这样：

Taxonomy Quality Flag-2026-05-03-153226.png

版本命名

项目里同时出现 v1 / v2 / D1 / D2 / v3 / v4，容易绕。可以先按这个表理解：

阶段 类数 关键变化
v1 / YOLO baseline - 路线验证，top-1 约 86.80%，未作为最终路线
v2 D1 1,018 首版 DINOv3 frozen baseline，验证特征、采样器和 split
v2 D2 1,018 多尺度交付版，提升部署口径下的稳定性
v3 frozen 1,301 扩类后做 24 ckpt ensemble
v3 LoRA 1,301 单 LoRA 模型反超 frozen ensemble
v4 训练中 1,591 LoRA @384 + reject head，主跑仍在进行

当前结果

下表只放已经可以作为阶段结果比较的模型。v4 的 3 轮训练链路检查只用于确认训练流程和 reject head 是否正常，不代表最终 v4 指标，细节放在 02 模型训练篇。

阶段 类数 数据规模 模型 test top-1
v2 D1 1,018 454K Frozen ViT-L 4-seed ensemble 91.73%
D2 delivery 1,018 454K 多尺度 ensemble 91.93%
v3 frozen 1,301 481K ViT-L + ViT-B 24-ckpt ensemble 91.65%
v3 LoRA 1,301 481K ViT-L LoRA @224 93.16%

这里有一个需要提前说明的地方：v3 的 91.65% 低于 v2 的 91.73%，不能写成“性能保持不变”。更准确的说法是：类别数从 1,018 增加到 1,301 后，整体 top-1 只下降 0.08pp，说明扩类后没有明显崩掉。最严谨的对比口径，是在同一 1,018 类子集上再算一次指标。

从 v2 到 v4，类别覆盖扩大，指标在不同训练路线间波动。v4 灰色点是 3 轮训练链路检查，不代表最终主跑

后续

这个系列不是一个专业的“炼丹指南”，而是记录一个细粒度识别模型如何从混乱数据里长出来。真正值得写下来的，往往不是成功的那一行指标，而是那些把模型带歪的地方。三篇主体写完后，如果 v4 主跑和真实用户照片基准完成，我会再补一篇发布复盘。

TODO：训练资料及相关脚本后续将发布在Github。

wlfcss原创，转载请注明来源

汪淼

汪淼

china