Trong các nghiên cứu sử dụng bẫy ảnh, một trong những công việc tốn nhiều thời gian nhất là xem, phân loại và kiểm tra một khối lượng lớn hình ảnh. Khi số lượng ảnh tăng lên hàng chục nghìn hoặc hàng trăm nghìn, việc xử lý hoàn toàn thủ công trở thành một nút thắt đáng kể.
Từ nhu cầu thực tế đó, tôi phát triển CameraTrap AI Vietnam (CTAI-VN) — một ứng dụng desktop hỗ trợ sử dụng trí tuệ nhân tạo trong xử lý và nhận diện động vật từ ảnh bẫy ảnh.
Mục tiêu của CTAI-VN không phải là thay thế người nghiên cứu hay chuyên gia định loại. Tôi muốn xây dựng một công cụ giúp giảm khối lượng công việc lặp lại, sắp xếp ảnh cần kiểm tra và tạo ra một quy trình dữ liệu có thể truy vết, trong đó quyết định của AI và quyết định của con người luôn được phân biệt rõ ràng.
Từ thư mục ảnh gốc đến kết quả có thể kiểm tra
Quy trình sử dụng CTAI-VN được thiết kế tương đối đơn giản:
Chọn thư mục ảnh → quét dữ liệu → chạy AI → xem và lọc kết quả → chuyên gia xác nhận hoặc chỉnh sửa → tổng hợp → xuất dữ liệu.
Phần mềm làm việc với thư mục ảnh nguồn theo chế độ chỉ đọc. Ảnh gốc không bị đổi tên, di chuyển hay sửa đổi. Cơ sở dữ liệu của dự án, dự đoán AI, kết quả kiểm tra và các tệp xuất được lưu ở vùng dữ liệu riêng của ứng dụng.
Đây là một nguyên tắc tôi đặc biệt quan tâm, vì đối với dữ liệu nghiên cứu, việc giữ nguyên dữ liệu nguồn và duy trì khả năng truy nguyên thường quan trọng không kém bản thân kết quả nhận diện.
AI là công cụ hỗ trợ, không phải là “kết quả cuối cùng”
CTAI-VN lưu dự đoán của AI và kết luận của chuyên gia thành những lớp dữ liệu riêng biệt.
Một dự đoán của AI không bị ghi đè khi người dùng sửa kết quả. Thay vào đó, quyết định kiểm tra của chuyên gia được lưu thành một bản ghi mới và có thể truy vết. Nhờ vậy, sau này có thể biết AI đã dự đoán gì, chuyên gia đã xác nhận hay điều chỉnh như thế nào, mô hình và phiên bản nào đã tạo ra dự đoán, và kết quả cuối cùng được hình thành từ đâu.
Cách tiếp cận này giúp tránh một vấn đề khá phổ biến khi sử dụng AI: vô tình biến dự đoán của mô hình thành “ground truth”. Trong CTAI-VN, không có quyết định sinh học tự động nào được coi mặc nhiên là đúng.
Kiểm tra những trường hợp AI chưa chắc chắn
Giao diện cho phép người dùng duyệt lại kết quả và đưa ra các quyết định như xác nhận nhận diện, chỉnh sửa, để lại cho lần kiểm tra sau hoặc ghi nhận trường hợp không thể xác định.
Một số trạng thái được phân biệt rõ: động vật nằm ngoài phạm vi các lớp mà mô hình hiện hỗ trợ; ảnh có động vật nhưng không đủ đặc điểm để xác định; không có động vật; hoặc trường hợp cần chuyên gia xem lại.
Điều này quan trọng vì trong dữ liệu bẫy ảnh thực tế, không phải bức ảnh nào cũng có thể hoặc nên được ép về một tên loài. Ảnh mờ, cá thể bị che khuất, chỉ xuất hiện một phần cơ thể hoặc loài nằm ngoài tập huấn luyện là những tình huống bình thường.
Một ứng dụng chạy cục bộ
CTAI-VN được thiết kế theo hướng local-first. Ứng dụng chạy trên máy tính của người dùng, không yêu cầu tài khoản, không có telemetry và không chủ động tải ảnh bẫy ảnh lên một dịch vụ bên ngoài. Máy chủ nội bộ của ứng dụng chỉ hoạt động trên kết nối loopback của máy tính.
Đối với dữ liệu đa dạng sinh học, đây là một lựa chọn thiết kế có chủ ý. Ảnh bẫy ảnh đôi khi chứa vị trí của loài nguy cấp, thông tin con người hoặc những dữ liệu không phù hợp để tự động đưa lên các dịch vụ đám mây.
Mô hình AI được quản lý như một thành phần độc lập
Một điểm tôi muốn giữ trong kiến trúc CTAI-VN là tách phần mềm khỏi mô hình AI. Ứng dụng có thể cài các Model Package riêng; phiên bản mô hình, số lớp nhận diện, các tệp mô hình và thông tin nguồn gốc được quản lý trong gói thay vì viết cứng vào phần mềm.
Điều đó cho phép mô hình được cập nhật trong tương lai mà không phải xây dựng lại toàn bộ ứng dụng. Các gói mô hình chính thức còn có cơ chế kiểm tra tính toàn vẹn và chữ ký; phiên bản cũ có thể được giữ lại để so sánh hoặc quay lại khi cần.
Đây cũng là cách tôi tách hai câu hỏi khác nhau: phần mềm có hoạt động đúng không? và mô hình AI có đủ bằng chứng khoa học để sử dụng cho một mục đích cụ thể hay chưa? Hai việc này không nên được đánh đồng.
Không chỉ xuất một bảng tên loài
CTAI-VN hỗ trợ xuất kết quả dưới các định dạng phổ biến như CSV, XLSX và JSONL. Người dùng có thể lựa chọn lớp kết quả từ AI, kết quả chuyên gia hoặc lớp kết quả đã hợp nhất. Tệp xuất đi kèm thông tin manifest và checksum để hỗ trợ kiểm tra tính toàn vẹn và khả năng tái lập.
Tôi cũng cố gắng giữ cách diễn giải dữ liệu thận trọng. Ví dụ, số ảnh có phát hiện không tự động được gọi là “độ phong phú”, và số detection không đồng nghĩa với số cá thể. Việc suy luận sinh thái vẫn phải phụ thuộc vào thiết kế lấy mẫu và phương pháp phân tích thích hợp.
Trải nghiệm CTAI-VN
Tôi hiện chia sẻ CTAI-VN Desktop v1.0.5 cùng các gói mô hình AI thử nghiệm để các nhà nghiên cứu, cán bộ bảo tồn và những người làm việc với dữ liệu bẫy ảnh có thể trải nghiệm và góp ý.
Tải CTAI-VN và mô hình AI để trải nghiệm
Trong thư mục tải về có bộ cài Software, các gói AI models và file READ ME hướng dẫn cài đặt, sử dụng và cách gửi góp ý. Khi thử nghiệm, tôi khuyến nghị bắt đầu với một thư mục ảnh nhỏ và không chỉnh sửa trực tiếp ảnh gốc để phù hợp với phần mềm.
Phiên bản hiện tại: CTAI-VN Desktop v1.0.5 · Mô hình AI cài riêng · Windows · Local-first/offline.
Phiên bản hiện tại được chia sẻ nhằm trải nghiệm và lấy ý kiến, chưa phải tuyên bố rằng mô hình AI đạt độ chính xác khoa học như nhau đối với mọi loài, khu vực hay điều kiện bẫy ảnh. Mô hình hiện tại vẫn được phát triển trên lượng dữ liệu có giới hạn, vì vậy người dùng nên kiểm tra các dự đoán bằng chuyên môn định loại trước khi sử dụng trong phân tích nghiên cứu.
Danh mục taxon tham chiếu phục vụ bước review của chuyên gia hiện gồm 455 loài Chim, Thú và Bò sát có phân bố tại Việt Nam. Con số này là phạm vi tham chiếu cho quá trình kiểm tra của chuyên gia, không đồng nghĩa mô hình AI hiện nhận diện được 455 loài.
Điều tôi muốn CTAI-VN trở thành
CTAI-VN bắt đầu từ một nhu cầu rất thực tế trong công việc của tôi: làm thế nào để xử lý dữ liệu bẫy ảnh nhanh hơn mà không đánh đổi tính minh bạch và khả năng kiểm tra của dữ liệu khoa học.
Ở giai đoạn hiện tại, tôi xem đây không chỉ là một công cụ nhận diện ảnh. Tôi muốn tiếp tục phát triển CTAI-VN thành một workflow hỗ trợ toàn bộ quá trình:
dữ liệu bẫy ảnh → AI → chuyên gia → dữ liệu đã kiểm tra → phân tích và giám sát đa dạng sinh học.
AI có thể giúp chúng ta xử lý khối lượng dữ liệu ngày càng lớn. Nhưng trong nghiên cứu động vật hoang dã, giá trị lớn nhất của nó có lẽ không nằm ở việc “AI biết tên loài”, mà ở khả năng giúp nhà nghiên cứu dành nhiều thời gian hơn cho những trường hợp thực sự cần kiến thức chuyên môn và suy luận sinh học.
Tải và trải nghiệm CTAI-VN
Tải CTAI-VN Desktop v1.0.5 và các gói mô hình AI tại đây
Bộ chia sẻ gồm phần mềm, các gói mô hình AI thử nghiệm và file hướng dẫn sử dụng. Tôi rất mong nhận được góp ý từ người dùng để tiếp tục hoàn thiện CTAI-VN.
Camera-trap studies can generate tens or hundreds of thousands of images, and reviewing, classifying, and checking them manually can become a major bottleneck. I developed CameraTrap AI Vietnam (CTAI-VN) in response to that practical problem: a desktop application that uses artificial intelligence to assist wildlife identification from camera-trap images.
The purpose of CTAI-VN is not to replace researchers or taxonomic experts. The goal is to reduce repetitive work, prioritize images that need attention, and maintain a traceable data workflow in which AI predictions and human decisions remain clearly separated.
From an image folder to reviewable results
The intended workflow is straightforward:
Select an image folder → scan data → run AI → view and filter results → expert confirmation or correction → summarize → export.
CTAI-VN treats the selected source folder as read-only. Original images are not renamed, moved, or modified. Project databases, AI predictions, expert-review records, caches, and exports are stored separately by the application.
This separation matters in research workflows because preserving source data and maintaining provenance are often as important as the identification result itself.
AI as decision support, not the final answer
CTAI-VN stores AI predictions and expert decisions as separate data layers. When a user corrects a result, the original AI prediction is not overwritten. Instead, the expert decision is recorded separately so that it remains possible to reconstruct what the AI predicted, what the expert confirmed or changed, which model version produced the prediction, and how the final result was derived.
This design helps avoid a common problem in applied AI: silently turning a model prediction into “ground truth”. In CTAI-VN, an automated biological decision is never assumed to be correct by default.
The review interface also distinguishes cases such as an animal outside the model's supported classes, an image that contains an animal but cannot be identified reliably, an expert-confirmed no-animal result, and records that require further review. Camera-trap images are often blurred, partially occluded, or show only part of an animal, so not every image should be forced into a species label.
Local-first by design
CTAI-VN is designed as a local-first application. It runs on the user's computer, does not require an account, has no telemetry, and does not proactively upload camera-trap images to an external service. Its internal application server is restricted to the local loopback interface.
This is intentional. Biodiversity datasets can contain locations of threatened species, people, or other information that should not automatically be transferred to cloud services.
Models are managed independently from the software
Another design choice is to keep the desktop application separate from the AI model. CTAI-VN installs models as independent Model Packages that carry their own version, supported classes, model files, and provenance information rather than hard-coding these into the application.
This allows models to evolve without rebuilding the entire desktop application. Official packages can also be checked for integrity and publisher signatures, while previous versions can be retained for comparison or rollback.
This separation keeps two questions distinct: Does the software work correctly? and Does a particular AI model have sufficient scientific evidence for a particular use? They should not be treated as the same claim.
More than a table of species names
CTAI-VN supports exports in CSV, XLSX, and JSONL. Users can choose AI results, expert-reviewed results, or an expert-preferred merged layer. Export packages include manifest and checksum information to support integrity checks and reproducibility.
The application also uses cautious ecological terminology. Detection counts are not automatically interpreted as individual counts, and raw image counts are not automatically described as abundance. Ecological inference still depends on sampling design and appropriate analytical methods.
Try CTAI-VN
I am currently sharing CTAI-VN Desktop v1.0.5 together with experimental AI Model Packages so that researchers, conservation practitioners, and others working with camera-trap data can test the workflow and provide feedback.
Download CTAI-VN and AI models for testing
The shared folder contains Software, AI models, and a READ ME file with installation, usage, and feedback instructions. I recommend beginning with a small image folder and keeping the original source images unchanged.
Current version: CTAI-VN Desktop v1.0.5 · separately installed AI models · Windows · local-first/offline.
The current release is provided for testing and feedback. It is not a claim that the AI model has the same scientifically validated performance for every species, region, or camera-trap condition. The current model is still being developed from a limited image corpus, so predictions should be checked by someone with appropriate identification expertise before being used in research analysis.
The expert-review taxonomic reference currently includes 455 bird, mammal, and reptile species recorded from Vietnam. This is a reference scope for expert review and does not mean that the current AI model identifies 455 species.
What I want CTAI-VN to become
CTAI-VN began from a practical question in my own work: how can camera-trap data be processed faster without sacrificing transparency and scientific traceability?
I do not see it only as an image-identification tool. My longer-term aim is to develop CTAI-VN into a workflow connecting:
camera-trap data → AI → expert review → checked data → biodiversity analysis and monitoring.
AI can help researchers handle rapidly growing volumes of imagery. But in wildlife research, its most useful role may not simply be “knowing the species name”. Its greater value may be helping researchers spend more time on the records that genuinely require biological expertise and scientific judgement.