DonaNet：用神经网络守护西班牙多尼亚纳国家公园的野生动物

DonaNet是一个专门为西班牙多尼亚纳国家公园设计的神经网络系统，能够自动检测和分类园区内的哺乳动物。该项目结合YOLO目标检测技术和现代CLI工具，为生物多样性监测提供了实用的AI解决方案。

• 原作者/维护者：wildintelproject 团队
• 来源平台：GitHub
• 原始标题：DonaNet - Neural Network for Wildlife Detection in Doñana National Park
• 原始链接：https://github.com/wildintelproject/donanet
• 发布时间：2026年5月26日

---

多尼亚纳国家公园（Doñana National Park）位于西班牙南部，是欧洲最重要的湿地保护区之一，也是众多珍稀哺乳动物的家园。传统的野生动物监测依赖人工巡查和相机陷阱的手动分析，效率低下且难以实现大规模覆盖。

DonaNet项目应运而生，它利用深度学习技术，为保护区提供了一种自动化、可扩展的野生动物监测方案。该项目不仅是一个技术工具，更是人工智能服务于生态保护的典范实践。

---

DonaNet采用业界领先的YOLO（You Only Look Once）系列模型作为基础架构。YOLO以其单次前向传播即可完成目标检测和分类的特性，在实时性和准确性之间取得了良好平衡。项目支持多种YOLO模型变体，包括YOLOv8n（轻量级）和YOLOv8s（标准版），用户可根据硬件条件和精度需求灵活选择。

项目提供了一整套从原始数据到训练模型的完整工作流：

数据集准备阶段：prepare-dataset命令可将原始图像自动分割为训练集（默认70%）、验证集（20%）和测试集（10%）。这种分层抽样确保了模型训练的科学性和评估的可靠性。

模型训练阶段：train命令支持从零开始训练或基于预训练权重进行微调（fine-tuning）。训练过程中，模型会自动保存最优权重（best.pt）和最新权重（last.pt），并支持断点续训功能。

推理评估阶段：test命令可在测试集上运行推理，支持置信度阈值调节（默认0.25），并可选择保存可视化结果图像。

DonaNet采用Typer框架构建CLI界面，结合Rich库实现美观的终端输出。这种设计使得即使非技术背景的保护区工作人员也能轻松上手。主要命令包括：

• prepare-dataset：数据集自动分割
• train：模型训练与微调
• test：推理与评估
• list-datasets：查看数据集统计
• info：查看可用权重和数据集摘要

---

项目采用YOLO标准格式进行图像标注，每个图像对应一个同名的.txt文件，每行代表一个检测目标：

<class_id> <x_center> <y_center> <width> <height>

所有坐标值均归一化到[0, 1]范围，相对于图像尺寸。这种标准化格式确保了与Ultralytics生态系统的兼容性，也便于与其他目标检测项目共享数据。

数据集目录结构遵循标准组织方式：

dataset/
├── train/
│   ├── images/
│   └── labels/
├── val/
│   ├── images/
│   └── labels/
└── test/
    ├── images/
    └── labels/

---

• Python版本：3.11或更高
• 依赖管理：推荐使用uv工具（也可使用pip）
• 硬件建议：配备CUDA支持的GPU用于训练（CPU可作为备选）