1.在自然生態(tài)照片中，蝴蝶往往以小目標(biāo)的形式出現(xiàn)（蝴蝶圖像的面積太?。瑐鹘y(tǒng)的蝴蝶識(shí)別算法往往無(wú)能為力。 2.培訓(xùn)所需的數(shù)據(jù)量巨大，但找不到高質(zhì)量的帶注釋的公共數(shù)據(jù)集。 3.一些稀有蝴蝶在自然狀態(tài)下的照片太少，無(wú)法直接用作訓(xùn)練集。 Joe Redmon [1]提出的YOLO模型是目標(biāo)檢測(cè)領(lǐng)域的一種著名的端到端學(xué)習(xí)模型。 與RCNN [13]序列的兩步模型相比，YOLO模型執(zhí)行速度快，避免了背景誤差，但定位精度差，某些分類(lèi)的單模型誤報(bào)率高。 為了提高蝴蝶識(shí)別的效率，本文將充分利用中國(guó)數(shù)據(jù)挖掘大賽和百度百科提供的數(shù)據(jù)，建立包含大量蝴蝶生態(tài)照片的蝴蝶數(shù)據(jù)集，在自然環(huán)境中利用生態(tài)照片進(jìn)行模型訓(xùn)練，并在YOLO V3算法的基礎(chǔ)上，提出了一種用于蝴蝶生態(tài)照片定位識(shí)別的集成算法。 本文的主要結(jié)構(gòu)如下：