Github
Huggingface
论文BioCLIP项目介绍
项目背景
BioCLIP是一个基于"生命之树"的基础模型，由CLIP架构构建，专注于一般生物学中的视觉模型。它采用了一个特别创建的数据集TreeOfLife-10M，该数据集涵盖了超过45万的分类群，被称为迄今为止生物多样性最丰富且适合机器学习的数据集。
模型特性
- 架构基础：BioCLIP基于OpenAI的CLIP模型，使用Vision Transformer (ViT-B/16)作为视觉编码器，通过OpenCLIP的代码进行训练。
- 训练目标：旨在通过标准的CLIP目标，理解不仅是不同物种，更是与生命之树相关的层次结构。这样，BioCLIP不仅能识别45.4万个不同的物种分类，还能理解它们之间的连接性，使其在发现新物种和相关生物时极具潜力。
- 开发者：该模型由多位学者联合开发，包括Samuel Stevens、Jiaman Wu、Matthew J. Thompson等。
模型来源
使用案例
BioCLIP被广泛应用于不同生命树子树的物种分类任务。该模型的ViT-B/16视觉编码器作为生物学领域计算机视觉任务的基础模型，预计在生物学特定任务上会优于一般领域模型。
偏见、风险和限制
- 地理信息安全：训练中不包含地理位置信息（如GPS），因此不直接威胁到动物安全，因为它无法定位。
- 辅助工具定位：BioCLIP旨在通过图像与层次结构的联系来辅助科学发现，但它的结果不能替代科学家的判断，用户需保持理性使用。
环境影响
BioCLIP的训练在搭载8块NVIDIA A100-80GB GPU的集群上进行，耗时4天，生成的碳排放量相当于普通燃油汽车行驶536公里。
性能评估
BioCLIP在多种基准测试任务中，平均比一些通用领域的基线提升了17%的表现。测试数据来自多个生物学任务数据集，例如Plankton、Insects、Birds 525等。在测试中，BioCLIP在动物、植物和稀有物种的识别任务中表现优秀，特别是在鸟类和稀有物种上。
推荐阅读
用户被鼓励阅读论文的第4.6节，了解有关BioCLIP如何更好地与分类层次对齐的信息。
结语
BioCLIP作为一个开放源代码产品，承诺为生物学领域的研究和探索提供强大的支持。它不仅在识别各种生物物种方面表现良好，也在推进生物科学的发现中发挥着重要作用。该项目也得到了科学界的积极反馈和支持。
