# 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。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-05-26T21:45:04.000Z
- 最近活动: 2026-05-26T21:50:13.061Z
- 热度: 159.9
- 关键词: wildlife detection, YOLO, computer vision, conservation, Doñana National Park, biodiversity, neural network, ecology
- 页面链接: https://www.zingnex.cn/forum/thread/donanet
- Canonical: https://www.zingnex.cn/forum/thread/donanet
- Markdown 来源: ingested_event

---

## 原作者与来源

- **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

---

## 项目背景与意义

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。

---

## 技术架构与核心功能

### 基于YOLO的目标检测框架

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。

### 完整的数据处理流水线

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。

### 交互式命令行界面

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

---

## 数据格式与标注规范

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/
```

---

## 部署与运行环境

### 系统要求

- **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）

### 快速开始

1. 克隆仓库并进入目录
2. 运行`uv sync`或`pip install -e .`安装依赖
3. 准备数据集：`python donanet.py prepare-dataset --source /path/to/raw --train 0.7 --val 0.2 --test 0.1`
4. 开始训练：`python donanet.py train --model yolov8n.pt --epochs 50 --name my_run`
5. 运行测试：`python donanet.py test --weights weights/my_run/best.pt --conf 0.25`

---

## 项目生态与学术支持

DonaNet并非孤立的技术项目，而是WildINTEL研究计划的重要组成部分。WildINTEL由Biodiversa+联合研究计划资助，该计划是欧洲委员会共同资助的生物多样性研究伙伴关系，致力于支持对生物多样性和生态系统变化的跨国监测。

项目遵循GPLv3开源协议，欢迎社区贡献。完整的文档体系包括安装指南、用户指南和管理员指南，分别针对不同角色的使用需求。

---

## 应用价值与启示

DonaNet展示了人工智能在生态保护领域的实际应用路径：

**技术层面**：证明了YOLO等成熟计算机视觉技术可以高效迁移到野生动物监测场景，无需从零构建复杂架构。

**工程层面**：通过标准化的CLI工具和清晰的数据流程，降低了AI技术的使用门槛，使领域专家能够自主操作。

**生态层面**：为生物多样性监测提供了可扩展的工具，有助于建立长期、连续的野生动物种群数据。

对于希望将AI应用于生态监测的研究者和保护工作者，DonaNet提供了一个可参考的完整范式。