Model Development: Transfer Learning Pipeline
🧠 Van Data Collection tot Trained Model
Het project demonstreert de complete machine learning lifecycle: van het verzamelen en annoteren van custom data via Google Image Scraper tot een production-ready model met 95% accuracy. Door transfer learning met MobileNet te combineren met data augmentation werden excellent resultaten bereikt met beperkte training data.
Classificatie van 7 Nederlandse Vogelsoorten
Data Collection & Preprocessing
- Dataset creatie: Google Image Scraper gebruikt om ~400 images per vogelsoort te verzamelen
- Handmatige selectie: Alle scraped images handmatig gescreend op kwaliteit en correctheid
- Data augmentation: Dataset verdubbeld via rotation (30°), shifts (20%), shear, zoom en horizontal flip
- Normalisatie: MinMaxScaler voor pixel value normalization, MobileNet preprocessing voor transfer learning
- Train/Val/Test split: 70/20/10 verdeling voor robuuste model evaluatie
Model Architecture: MobileNet Transfer Learning
Waarom MobileNet?
MobileNet is specifiek ontworpen voor mobile deployment en biedt een ideale balance tussen accuracy en efficiency. De pre-trained weights van ImageNet geven een sterke foundation voor feature extraction, waardoor betere performance bereikt wordt zelfs met een relatief kleine custom dataset van ~400 images per class.
Architecture Details
- Base model: MobileNetV2 pre-trained op ImageNet
- Input: 224x224x3 RGB images (standard MobileNet input size)
- Feature extractor: MobileNet convolutional base (frozen weights) genereert 7x7x1024 features
- Custom classifier: Dense layers (512→256→128 neurons) met ReLU activation en Dropout (0.5) voor regularization
- Output: 7-class softmax layer voor probabilistic bird species classification
Training Strategy
- Optimizer: Adam met learning rate 1e-3 voor snelle en stabiele convergence
- Batch size: 32 samples voor goede generalization zonder overfitting
- Early stopping: Patience van 5 epochs voorkomt overfitting en bespaart training tijd
- Iterative improvement: Meerdere model versies getest (V1-V5) met verschillende architectures en data preprocessing
Model Performance & Results
Detailed Classification Report
Het model behaalt consistent hoge scores across alle vogelsoorten:
- Heggenmus: 93% precision, 100% recall, 96% F1-score
- Pimpelmees: 98% precision, 92% recall, 95% F1-score
- Roodborst: 98% precision, 92% recall, 95% F1-score
- Koolmees: 92% precision, 97% recall, 94% F1-score
- Vink: 92% precision, 94% recall, 93% F1-score
- Huismus: 98% precision, 94% recall, 96% F1-score
- Merel: 98% precision, 95% recall, 96% F1-score
Error Analysis: Inter-Class Similarity
De confusion matrix analyse toont dat classification errors voornamelijk optreden tussen visueel vergelijkbare soorten:
- Pimpelmees vs Koolmees: Beide mezen hebben vergelijkbare kleurpatronen en lichaams vormen
- Huismus vs Heggenmus: vergelijkbare grote en bruine tinten maken onderscheid lastiger
- Roodborst variaties: Verschillen binnen de soort door variaties in kleurintensiteit en lichaamsvorm bij verschillende leeftijden.
UI/UX Design: Figma Prototype
User-Centered Design Approach
Complete app interface ontworpen in Figma met focus op intuïtieve navigation en clean visual hierarchy:
📸 Camera & Upload
Direct camera access voor instant foto's of upload vanuit galerij voor identificatie
🗺️ Spotting Hotspots
Kaart met populaire birdwatching locaties voor community engagement
📚 Species Directory
Overzicht van meest voorkomende soorten met search functionaliteit
ℹ️ Detail Pages
Uitgebreide informatie per vogelsoort met characteristics en habitat info
A/B Testing: Color Scheme Optimization
🎨 User Testing Insights
Een A/B-test met 10 gebruikers toonde een duidelijke voorkeur voor de kleurrijkere variant. De levendige kleuren resoneerden beter met het natuurthema en maakten de app visueel aantrekkelijker voor de doel groep van vogelaars en natuurliefhebbers.
Design Deliverable
- Wireframes: Eerste low-fidelity schetsen om de gebruikersstroom te valideren
- High-fidelity mockups: Gedetailleerde ontwerpen met het definitieve kleurenschema en typografie
- Interactief prototype: Klikbaar Figma-prototype voor gebruikerstests
- A/B-testvarianten: Twee volledige kleurenschema-versies getest bij de doelgroep
Prototype Walkthrough
Technology Stack
Complete ML Workflow
- Data collection: Google Image Scraper voor automated image gathering
- Data preprocessing: Scikit-Image voor resizing, MinMaxScaler voor normalization
- Model development: TensorFlow/Keras voor CNN architecture en transfer learning
- Training pipeline: ImageDataGenerator voor augmentation, Adam optimizer, early stopping
- Model evaluation: Scikit-Learn voor classification reports, confusion matrices
- Visualization: Matplotlib voor training curves en performance analysis
- UI/UX: Figma voor complete app interface design en prototyping
Technische Uitdagingen & Learnings
- Transfer learning is krachtig voor kleine datasets: De pre-trained gewichten van MobileNet maakten een nauwkeurigheid van 95% mogelijk met slechts ~400 afbeeldingen per klasse.
- Data-augmentatie is essentieel: Het verdubbelen van de datasetgrootte via augmentatie verbeterde de robuustheid van het model aanzienlijk zonder extra dataverzameling.
- Handmatige datacuratie is belangrijk: Tijd investeren in het zorgvuldig selecteren van gescrapete afbeeldingen voorkomt ruis in labels en verhoogt de modelkwaliteit.
- Overeenkomst tussen klassen vraagt aandacht: Vergelijkbare vogelsoorten (zoals mezen en mussen) zijn van nature moeilijker te onderscheiden en vereisen meer diverse trainingsvoorbeelden.
- Early stopping voorkomt overfitting: Het monitoren van de validatieverlies en stoppen bij geen verbetering bespaart trainingstijd en verbetert de generalisatie.
- Gebruikersonderzoek valideert ontwerpkeuzes: A/B-testen met echte gebruikers gaven concrete feedback over kleurvoorkeuren die anders slechts speculatief zouden zijn.
Presentation & Feedback
"Presentatie aan instructors werd positief ontvangen. De combinatie van hoge model accuracy (95%) en een goed uitgewerkt Figma prototype toonde aan dat beide technische en design aspecten goed waren uitgevoerd."
Wat Zou Ik Anders Doen?
- Meer vogelsoorten toevoegen om de app bruikbaarder te maken voor Nederlandse vogelaars.
- Meer diverse trainingsdata per soort verzamelen, vooral voor randgevallen (verschillende hoeken en lichtomstandigheden).
- Experimenteren met nieuwere architecturen, zoals EfficientNet, voor mogelijk betere nauwkeurigheid.
- Een daadwerkelijke Flutter-implementatie ontwikkelen om de haalbaarheid van mobiele deployment te valideren.