arXiv:2511.00255v1 Announce Type: new 
Abstract: In entomology and ecology research, biologists often need to collect a large number of insects, among which beetles are the most common species. A common practice for biologists to organize beetles is to place them on trays and take a picture of each tray. Given the images of thousands of such trays, it is important to have an automated pipeline to process the large-scale data for further research. Therefore, we develop a 3-stage pipeline to detect all the beetles on each tray, sort and crop the image of each beetle, and do morphological segmentation on the cropped beetles. For detection, we design an iterative process utilizing a transformer-based open-vocabulary object detector and a vision-language model. For segmentation, we manually labeled 670 beetle images and fine-tuned two variants of a transformer-based segmentation model to achieve fine-grained segmentation of beetles with relatively high accuracy. The pipeline integrates multiple deep learning methods and is specialized for beetle image processing, which can greatly improve the efficiency to process large-scale beetle data and accelerate biological research.

BeetleFlow هو خط أنابيب تعلم عميق مبتكر مصمم لتبسيط معالجة صور الخنافس، وهي مهمة حاسمة لعلماء الأحياء في علم الحشرات وعلم البيئة. من خلال أتمتة تحليل الآلاف من الصور، لا يوفر هذا الأداة المبتكرة الوقت فحسب، بل يعزز أيضًا دقة بيانات البحث. هذا التطور مهم لأنه يسمح للعلماء بالتركيز أكثر على أبحاثهم بدلاً من المهمة المملة لمعالجة الصور، مما يعزز فهمنا للتنوع البيولوجي وصحة النظم البيئية.

BeetleFlow es un innovador pipeline de aprendizaje profundo diseñado para agilizar el procesamiento de imágenes de escarabajos, una tarea crucial para los biólogos en entomología y ecología. Al automatizar el análisis de miles de imágenes, esta herramienta innovadora no solo ahorra tiempo, sino que también mejora la precisión de los datos de investigación. Este desarrollo es significativo ya que permite a los científicos centrarse más en su investigación en lugar de en la tediosa tarea de procesamiento de imágenes, avanzando así en nuestra comprensión de la biodiversidad y la salud de los ecosistemas.

BeetleFlow est un pipeline d'apprentissage profond révolutionnaire conçu pour rationaliser le traitement des images de coléoptères, une tâche cruciale pour les biologistes en entomologie et en écologie. En automatisant l'analyse de milliers d'images, cet outil innovant permet non seulement de gagner du temps, mais aussi d'améliorer la précision des données de recherche. Ce développement est significatif car il permet aux scientifiques de se concentrer davantage sur leurs recherches plutôt que sur la tâche fastidieuse du traitement d'images, faisant ainsi progresser notre compréhension de la biodiversité et de la santé des écosystèmes.

BeetleFlow is a groundbreaking deep learning pipeline designed to streamline the processing of beetle images, a crucial task for biologists in entomology and ecology. By automating the analysis of thousands of images, this innovative tool not only saves time but also enhances the accuracy of research data. This development is significant as it allows scientists to focus more on their research rather than the tedious task of image processing, ultimately advancing our understanding of biodiversity and ecosystem health.

BeetleFlow: An Integrative Deep Learning Pipeline for Beetle Image Processing

arXiv:2511.16315v1 Announce Type: new 
Abstract: ImageNet-1K linear-probe transfer accuracy remains the default proxy for visual representation quality, yet it no longer predicts performance on scientific imagery. Across 46 modern vision model checkpoints, ImageNet top-1 accuracy explains only 34% of variance on ecology tasks and mis-ranks 30% of models above 75% accuracy. We present BioBench, an open ecology vision benchmark that captures what ImageNet misses. BioBench unifies 9 publicly released, application-driven tasks, 4 taxonomic kingdoms, and 6 acquisition modalities (drone RGB, web video, micrographs, in-situ and specimen photos, camera-trap frames), totaling 3.1M images. A single Python API downloads data, fits lightweight classifiers to frozen backbones, and reports class-balanced macro-F1 (plus domain metrics for FishNet and FungiCLEF); ViT-L models evaluate in 6 hours on an A6000 GPU. BioBench provides new signal for computer vision in ecology and a template recipe for building reliable AI-for-science benchmarks in any domain. Code and predictions are available at https://github.com/samuelstevens/biobench and results at https://samuelstevens.me/biobench.

تم تقديم BioBench كمعيار جديد للرؤية البيئية يتناول قيود ImageNet في التنبؤ بالأداء على الصور العلمية. يشمل 9 مهام مدفوعة بالتطبيقات، و4 ممالك تصنيفية، و6 طرق اكتساب، بإجمالي 3.1 مليون صورة. يهدف هذا المعيار إلى تحسين البحث البيئي من خلال توفير منصة موحدة لتقييم جودة التمثيل البصري في المهام البيئية.

BioBench se presenta como un nuevo estándar de visión ecológica que aborda las limitaciones de ImageNet en la predicción del rendimiento en imágenes científicas. Incluye 9 tareas impulsadas por aplicaciones, 4 reinos taxonómicos y 6 modalidades de adquisición, totalizando 3.1 millones de imágenes. Este estándar tiene como objetivo mejorar la investigación ecológica al proporcionar una plataforma unificada para evaluar la calidad de la representación visual en tareas ecológicas.

BioBench est présenté comme un nouvel étalon de vision écologique qui répond aux limites d'ImageNet dans la prédiction des performances sur les images scientifiques. Il englobe 9 tâches axées sur des applications, 4 règnes taxonomiques et 6 modalités d'acquisition, totalisant 3,1 millions d'images. Ce benchmark vise à améliorer la recherche écologique en fournissant une plateforme unifiée pour évaluer la qualité de la représentation visuelle dans les tâches écologiques.

BioBench is introduced as an open ecology vision benchmark that addresses the limitations of ImageNet in predicting performance on scientific imagery. It encompasses 9 application-driven tasks, 4 taxonomic kingdoms, and 6 acquisition modalities, totaling 3.1 million images. The benchmark aims to enhance ecological research by providing a unified platform for evaluating visual representation quality in ecological tasks.

BeetleFlow: An Integrative Deep Learning Pipeline for Beetle Image Processing

Was this article worth reading? Share it