“Un progetto educativo italiano sperimenta il riconoscimento degli uccelli con una Raspberry Pi AI Camera, addestra un modello di intelligenza artificiale e trasmette i risultati attraverso una rete radio indipendente da Internet. Il codice è pubblico e l’intero percorso è pensato per essere studiato, modificato e replicato da chiunque.”
Articolo a cura di Il faro d’argento APS
Indice dei capitoli
- Una mangiatoia per uccelli diventa un laboratorio tecnologico
- Open source: un progetto che chiunque può studiare e migliorare
- Linux e Python al centro della sperimentazione
- Dalla fotografia all’intelligenza artificiale
- MobileNetV2: il modello scelto per il riconoscimento
- Come si addestra un’intelligenza artificiale
- I risultati del training: cosa ci dicono davvero i numeri
- Dalla rete neurale alla Raspberry Pi AI Camera
- Meshtastic e LoRa: quando l’intelligenza artificiale comunica via radio
- Una storia di sperimentazione: dalla radio SSTV all’AI on-device
- Un progetto interdisciplinare per scuole e maker
- I prossimi sviluppi: più specie, nuovi modelli e nuove possibilità
- Come partecipare alla rete riproducendo l’esperimento
1. Una mangiatoia per uccelli diventa un laboratorio tecnologico
Può una semplice casetta per uccelli trasformarsi in uno strumento per imparare elettronica, programmazione, intelligenza artificiale e telecomunicazioni? È questa l’idea alla base di Birdgarden 2.0, un progetto sviluppato dai soci di Il faro d’argento APS che unisce l’osservazione della natura alla sperimentazione tecnologica.
L’obiettivo iniziale è realizzare una casetta-nido o una mangiatoia dotata di sensori, telecamera e, quando previsto dalla configurazione, microfono. Il dispositivo può acquisire fotografie e registrazioni, raccogliere informazioni sull’attività degli uccelli e rendere disponibili i dati attraverso un’infrastruttura informatica.
Ma Birdgarden non è soltanto un sistema di monitoraggio naturalistico. È anche un percorso per comprendere come funziona la tecnologia che utilizziamo ogni giorno, partendo dai suoi elementi fondamentali: sensori, microcontrollori, sistemi operativi, programmi e reti di comunicazione.
Nel corso delle sue evoluzioni, il progetto ha sperimentato diverse modalità di trasmissione delle informazioni. Nel 2025 l’attenzione si è concentrata sull’invio di immagini tramite radio VHF, utilizzando la modalità FM SSTV. Nel 2026 la sperimentazione si è estesa all’intelligenza artificiale eseguita direttamente su una telecamera specializzata e alla trasmissione di brevi messaggi attraverso reti radio LoRa.
L’aspetto interessante è che ogni componente diventa un’occasione didattica: si può studiare come viene scattata una fotografia, come un programma la elabora, come un modello riconosce una specie e come il risultato raggiunge un ricevitore lontano.
Il progetto è documentato pubblicamente nel repository GitHub:
2. Open source: un progetto che chiunque può studiare e migliorare
Uno degli elementi centrali di Birdgarden 2.0 è la scelta dell’open source.
Il codice del progetto è pubblicato su GitHub con licenza GNU General Public License versione 3 (GPL-3.0). Questo consente agli interessati di esaminare il funzionamento del software, studiarne l’organizzazione, proporre modifiche e sviluppare nuove varianti nel rispetto delle condizioni della licenza.
Il repository non è soltanto una vetrina del risultato finale. Contiene materiale utile per comprendere l’installazione del sistema, la configurazione del Raspberry Pi, gli script Python, le procedure di acquisizione e trasmissione e le risorse legate alla sperimentazione dell’intelligenza artificiale.
In un laboratorio tradizionale, gli studenti potrebbero utilizzare un dispositivo commerciale già pronto, osservando soltanto ciò che appare sullo schermo. Con Birdgarden possono invece interrogarsi su ogni passaggio: dove viene salvata la fotografia? Quale programma la elabora? Come viene caricato un modello? Quali informazioni sono trasmesse? Che cosa succede se si modifica un parametro o si sostituisce un componente?
Le risposte non devono necessariamente arrivare da un manuale o dall’insegnante: possono essere ricercate direttamente nel codice e verificate attraverso esperimenti. La disponibilità del sorgente permette inoltre di adattare il progetto a contesti differenti. Una scuola potrebbe concentrarsi sulla programmazione; un gruppo di radioamatori sulle comunicazioni; un laboratorio maker sulla progettazione della struttura e dei circuiti; un corso di intelligenza artificiale sull’addestramento e la valutazione dei modelli.
L’open source favorisce anche la continuità del lavoro. Un esperimento non rimane confinato a una dimostrazione o a una singola manifestazione: può diventare la base di un nuovo progetto, essere ripreso da un’altra classe o essere migliorato da chi possiede competenze diverse.
È importante precisare che la licenza del software non rende automaticamente liberi tutti gli elementi coinvolti. I modelli preaddestrati, le librerie di terze parti, le fotografie e gli altri contenuti possono avere condizioni di utilizzo differenti, da verificare caso per caso.
Il principio, tuttavia, resta chiaro: rendere accessibile il percorso tecnico, non soltanto il risultato ottenuto.
3. Linux al centro della sperimentazione
Birdgarden utilizza Raspberry Pi Zero 2 W, una piccola piattaforma informatica capace di eseguire un sistema operativo Linux e programmi scritti in Python. La configurazione documentata nel repository fa riferimento a Raspberry Pi OS, sistema basato su Debian. Si tratta di una scelta particolarmente adatta a un progetto didattico perché mette a disposizione strumenti consolidati per amministrare il dispositivo, installare librerie, gestire le periferiche e automatizzare le attività.
Linux, in questo contesto, non è semplicemente il sistema operativo che avvia il Raspberry. È parte integrante dell’esperimento.
Attraverso il terminale è possibile aggiornare il sistema, installare le dipendenze, verificare il riconoscimento delle periferiche USB, configurare le porte seriali e controllare i servizi che eseguono le attività automatiche. Gli script Python possono essere avviati manualmente oppure integrati in servizi che funzionano senza richiedere continuamente l’intervento dell’operatore.
La documentazione mostra, per esempio, come configurare l’accesso seriale al Raspberry e come utilizzare strumenti di sistema per individuare i dispositivi collegati. Sono operazioni concrete, attraverso le quali si comprendono concetti che altrimenti rimarrebbero astratti: permessi, periferiche, processi, dipendenze software e configurazione dell’hardware.
Un ulteriore vantaggio è la possibilità di lavorare anche senza un ambiente grafico. Una volta configurato, il dispositivo può operare senza monitor e tastiera, caratteristica utile quando viene installato in una casetta per uccelli o in una postazione di osservazione.
L’impiego di Linux facilita inoltre la riproducibilità dell’esperimento. Le procedure di installazione possono essere documentate e gli script condivisi, rendendo più semplice ricostruire l’ambiente su un altro dispositivo compatibile.
Questo non significa che ogni fase debba essere eseguita sul Raspberry: l’addestramento del modello di intelligenza artificiale può avvenire su un computer separato. Il dispositivo sul campo viene invece utilizzato per acquisire le immagini e, nel caso della versione sperimentale descritta più avanti, eseguire l’inferenza sul chip della telecamera.
È una distinzione didatticamente preziosa: il computer utilizzato per costruire un modello non deve necessariamente essere lo stesso che lo utilizza.
4. Dalla fotografia all’intelligenza artificiale
Il passaggio più recente di Birdgarden consiste nell’integrare il riconoscimento automatico delle immagini.
Una telecamera tradizionale si limita ad acquisire una fotografia. Per attribuirle un significato occorre un programma capace di analizzarla. L’intelligenza artificiale permette di affrontare questo compito attraverso modelli che apprendono relazioni statistiche a partire da esempi.
Nel caso di Birdgarden, l’esperimento si concentra sulla classificazione delle immagini: dato un ingresso visivo, il sistema deve individuare quale tra le categorie apprese sia maggiormente compatibile con ciò che vede.
Il risultato può essere rappresentato come una lista di probabilità o punteggi associati alle classi considerate. La categoria con il punteggio più alto costituisce la previsione del modello, ma non equivale necessariamente a una certezza scientifica.
Per comprendere il processo bisogna distinguere due fasi:
- Training: il modello viene addestrato su immagini etichettate, in modo da imparare a riconoscere le caratteristiche utili a distinguere le categorie.
- Inferenza: il modello già addestrato riceve una nuova immagine e produce una previsione senza dover essere addestrato nuovamente.
Questa separazione è essenziale. L’addestramento può richiedere numerose elaborazioni e un ambiente software più articolato; l’inferenza, invece, deve essere sufficientemente leggera da funzionare sull’hardware destinato all’installazione.
La sperimentazione di Birdgarden affronta proprio questo problema: come trasformare un modello addestrabile su un computer in una rete neurale utilizzabile da una telecamera intelligente di dimensioni contenute?
La risposta passa attraverso un’architettura di rete adatta ai dispositivi con risorse limitate, la conversione del modello e la sua esecuzione sull’acceleratore dedicato.
5. MobileNetV2: il modello scelto per il riconoscimento
Per la prova di riconoscimento è stata utilizzata MobileNetV2, un’architettura di rete neurale progettata per eseguire attività di visione artificiale anche su dispositivi con capacità di calcolo e memoria limitate.
MobileNetV2 appartiene alla famiglia delle reti convoluzionali, o CNN (Convolutional Neural Networks). Queste reti elaborano le immagini attraverso strati che imparano a riconoscere caratteristiche visive via via più complesse.
Nei primi strati possono emergere informazioni elementari come bordi, contrasti e trame; negli strati successivi vengono combinate rappresentazioni più articolate, potenzialmente utili a distinguere forme e strutture caratteristiche degli oggetti.
L’architettura MobileNetV2 utilizza, tra le altre soluzioni, convoluzioni separabili in profondità e blocchi con connessioni residue. Queste scelte contribuiscono a ridurre il costo computazionale rispetto a molte architetture più pesanti.
È un compromesso interessante: un modello destinato a un piccolo dispositivo deve essere abbastanza espressivo da riconoscere le categorie richieste, ma anche abbastanza compatto da poter essere eseguito entro i limiti di memoria e calcolo disponibili.
Il transfer learning
Nel progetto è stato adottato un approccio di transfer learning, cioè il trasferimento di conoscenze apprese in precedenza.
Invece di iniziare l’addestramento da zero, si parte da una MobileNetV2 preaddestrata sul grande insieme di immagini ImageNet. Il modello possiede già una rappresentazione generale di numerose caratteristiche visive.
La rete viene quindi adattata al nuovo compito, sostituendo o riaddestrando la parte dedicata alla classificazione affinché distingua le cinque categorie previste dall’esperimento.
Il vantaggio è duplice. Da una parte, si riduce il lavoro necessario per costruire un modello utile; dall’altra, diventa possibile svolgere un esperimento didattico con un dataset relativamente contenuto e tempi di calcolo più accessibili.
Il transfer learning non garantisce automaticamente un buon risultato. La qualità della classificazione dipende anche dalle immagini disponibili, dalla loro varietà, dalla separazione tra i dati di addestramento e quelli di verifica e dalla somiglianza tra le condizioni sperimentali e quelle reali.
La dimensione dell’immagine
La configurazione utilizzata nel training prevede immagini di ingresso da 224 × 224 pixel.
Questo significa che le fotografie vengono adattate a una dimensione standard prima di essere elaborate dalla rete. La riduzione permette di contenere il costo computazionale, ma può anche eliminare dettagli importanti.
Nel riconoscimento degli uccelli, per esempio, alcuni caratteri distintivi possono essere molto piccoli: una macchia sul piumaggio, una particolare colorazione o la forma del becco. Se il soggetto occupa una porzione ridotta dell’immagine originale, il ridimensionamento potrebbe rendere più difficile distinguere queste caratteristiche.
Per questo motivo la qualità dell’inquadratura è importante quanto la scelta dell’architettura. Un’immagine nitida, con il soggetto sufficientemente grande e illuminato, può essere molto più utile di una fotografia ad alta risoluzione nella quale l’uccello appare come un piccolo elemento distante.
6. Come si addestra un’intelligenza artificiale
Uno degli aspetti più interessanti di Birdgarden è la possibilità di seguire il percorso che porta dalle fotografie al modello utilizzabile sulla telecamera.
Il repository mette a disposizione materiale relativo alla sperimentazione e al training, consentendo di studiare una pipeline di addestramento anziché limitarsi a utilizzare un modello già pronto.
6.1 Preparazione del dataset
Il primo passaggio consiste nel raccogliere immagini rappresentative delle categorie da riconoscere e associarle alle rispettive etichette.
Il dataset utilizzato per questa prova (estratto da BIRDS-525-SPECIES-IMAGE-CLASSIFICATION-main di Aitrios) comprende cinque specie, con immagini organizzate per categoria. La documentazione del training riporta 782 immagini per l’addestramento, 25 per la validazione e 25 per il test, per un totale di 832 immagini.
Questa distribuzione serve a separare tre funzioni differenti:
- Training: le immagini utilizzate per aggiornare i parametri del modello.
- Validazione: le immagini impiegate per controllare l’andamento dell’addestramento e valutare le scelte di configurazione.
- Test: le immagini tenute da parte per misurare le prestazioni sul campione finale.
La separazione è fondamentale. Se il modello venisse valutato esclusivamente sulle immagini utilizzate per apprendere, il risultato potrebbe essere ottimistico: la rete potrebbe aver imparato caratteristiche specifiche degli esempi anziché elementi realmente generalizzabili.
È altrettanto importante che le immagini di validazione e test siano indipendenti da quelle di training, senza duplicati o fotografie quasi identiche distribuite tra gruppi diversi.
6.2 Apprendimento dei parametri
Durante il training, il modello elabora le immagini e produce una previsione. Questa viene confrontata con l’etichetta corretta attraverso una funzione di perdita (loss function).
L’algoritmo di ottimizzazione aggiorna quindi i parametri della rete per ridurre, nel corso delle iterazioni, gli errori commessi sui dati di addestramento.
Il processo viene ripetuto più volte, attraverso le cosiddette epoche, fino a raggiungere il criterio di arresto previsto dalla configurazione.
La validazione consente di osservare se il miglioramento sui dati di training si accompagna a un miglioramento anche su immagini non impiegate direttamente nell’aggiornamento dei parametri. Se la prestazione sul training continua a crescere mentre quella sulla validazione peggiora, può essere presente un fenomeno di overfitting.
Il modello non sta necessariamente imparando a riconoscere meglio la specie in generale: potrebbe essersi adattato eccessivamente alle particolarità delle fotografie disponibili.
6.3 Dal modello float alla quantizzazione
Terminato il training, il modello deve essere adattato all’ambiente di esecuzione previsto.
Un modello in virgola mobile, per esempio, può utilizzare rappresentazioni numeriche a precisione elevata. La quantizzazione consente invece di rappresentare molti dei suoi valori con numeri interi a 8 bit, riducendo dimensioni e requisiti di memoria e rendendo possibile l’impiego di acceleratori che supportano questo formato.
La quantizzazione, tuttavia, non è una semplice compressione di un file. Modifica la rappresentazione numerica utilizzata durante l’inferenza e può introdurre una perdita di precisione.
Per questo il modello quantizzato deve essere sottoposto a una nuova valutazione. Confrontare le prestazioni prima e dopo la conversione consente di capire se il vantaggio in termini di compattezza e compatibilità sia stato ottenuto mantenendo una qualità adeguata.
In Birdgarden, il confronto tra la versione originale e quella quantizzata è parte integrante della sperimentazione.
7. I risultati del training: cosa ci dicono davvero i numeri
La documentazione del training riporta un risultato incoraggiante: nella prova effettuata, sia il modello in virgola mobile sia quello quantizzato hanno raggiunto un’accuratezza del 100% sul campione di test. Anche precisione, richiamo e punteggio F1 risultano pari a 1,00 per ciascuna delle cinque classi considerate.
Questi dati sono utili perché dimostrano che, nelle condizioni specifiche dell’esperimento, il modello è riuscito a classificare correttamente tutte le immagini del campione finale.
Occorre però interpretarli con rigore.
Che cosa significa un’accuratezza del 100%?
L’accuratezza è il rapporto tra il numero di previsioni corrette e il numero totale di esempi valutati.
Nel caso in esame, il test comprende 25 immagini. Se tutte le immagini sono state classificate correttamente, il risultato è:
25 previsioni corrette su 25, cioè 100% di accuratezza osservata.
È un risultato positivo per una prova di fattibilità, ma il campione è piccolo. Un errore in più avrebbe ridotto l’accuratezza dal 100% al 96%; due errori l’avrebbero portata al 92%.
Con 25 esempi non è quindi possibile concludere che il sistema riconoscerà correttamente ogni fotografia acquisita in natura.
Inoltre, le immagini raccolte in condizioni controllate possono essere più semplici di quelle che il dispositivo incontrerà durante l’utilizzo reale. Cambiamenti di illuminazione, ombre, sfondi complessi, soggetti parzialmente nascosti, differenti angolazioni e fotografie sfocate possono modificare sensibilmente il risultato.
Precisione, richiamo e F1
Le altre metriche aiutano a interpretare il comportamento del classificatore.
- Precisione (precision): tra le immagini assegnate a una determinata specie, quante appartengono realmente a quella specie.
- Richiamo (recall): tra le immagini che appartengono realmente a una specie, quante sono state riconosciute correttamente.
- F1-score: media armonica di precisione e richiamo, utile per sintetizzare il loro equilibrio.
Valori pari a 1,00 indicano prestazioni perfette sul campione valutato. Non dimostrano, da soli, che le prestazioni rimarranno identiche su un insieme più ampio e indipendente.
Il confronto tra modello float e modello quantizzato
Il fatto che entrambe le versioni abbiano ottenuto lo stesso risultato sul test è significativo dal punto di vista tecnico.
Indica che, sul campione disponibile, la quantizzazione non ha provocato una diminuzione dell’accuratezza osservata. Questo è un risultato utile per una piattaforma con risorse limitate, perché consente di proseguire verso un’implementazione più compatta senza aver rilevato un peggioramento in quella prova.
Non significa, però, che la quantizzazione sia sempre priva di effetti: con altri dati, altre architetture o condizioni di acquisizione differenti, le prestazioni potrebbero cambiare.
Un esperimento didattico, non ancora un benchmark naturalistico
Il valore principale di questi risultati è dimostrare che una pipeline completa può funzionare: partire da immagini etichettate, adattare un modello preaddestrato, quantizzarlo, convertirlo per l’hardware di destinazione e ottenere una classificazione sulla telecamera.
Per misurare l’efficacia naturalistica del sistema sarà necessario ampliare il test con fotografie realmente indipendenti, raccolte in condizioni differenti e rappresentative dell’uso sul campo.
Un passo ulteriore consiste nel confrontare le prestazioni ottenute sul computer con quelle del modello eseguito sulla Raspberry Pi AI Camera, utilizzando gli stessi dati e le stesse metriche.
In questo modo il progetto potrà distinguere con maggiore precisione tre questioni diverse: quanto bene il modello abbia imparato le categorie, quanto la quantizzazione conservi le prestazioni e quanto l’implementazione finale sia efficace nelle condizioni reali.
8. Dalla rete neurale alla Raspberry Pi AI Camera
Un modello addestrato su un computer non è automaticamente pronto per funzionare su qualsiasi dispositivo.
La Raspberry Pi AI Camera integra il sensore Sony IMX500, progettato per eseguire reti neurali direttamente sul dispositivo di acquisizione, riducendo la necessità di trasferire tutte le operazioni di inferenza alla CPU del Raspberry Pi.
Questo è uno degli elementi più interessanti della sperimentazione: l’intelligenza artificiale non viene utilizzata soltanto per elaborare immagini su un computer potente, ma viene portata su un componente compatto destinato a lavorare vicino al luogo in cui le fotografie vengono acquisite.
Il percorso di conversione comprende la preparazione del modello quantizzato e la generazione del pacchetto destinato alla telecamera, nel formato .rpk.
Nel progetto è stata completata la conversione per IMX500 ed è stato generato il pacchetto di rete. La dimensione riportata per il pacchetto di conversione è di circa 2,17 MB, un dato che evidenzia la compattezza della soluzione ottenuta.
Successivamente è stata verificata l’esecuzione di un’inferenza singola sulla Raspberry Pi AI Camera. Questo passaggio è particolarmente importante perché distingue un modello che funziona soltanto nell’ambiente di sviluppo da uno effettivamente eseguibile sull’hardware di destinazione.
La dimostrazione riguarda quindi una catena tecnica completa: training, quantizzazione, conversione e inferenza sulla telecamera.
Classificazione e rilevamento sono due cose diverse
È importante precisare che il modello sperimentale è un classificatore d’immagine, non un sistema di rilevamento automatico degli oggetti.
Un classificatore risponde alla domanda: «A quale delle categorie conosciute assomiglia maggiormente questa immagine?».
Un rilevatore, invece, deve anche individuare la posizione degli oggetti, per esempio disegnando un rettangolo (bounding box) intorno a un uccello presente in una scena.
La differenza è sostanziale. Se una fotografia contiene più oggetti o se l’uccello occupa soltanto una piccola porzione dell’inquadratura, un classificatore che riceve l’intera immagine potrebbe concentrarsi su elementi dello sfondo anziché sul soggetto desiderato.
Per questo, in una futura evoluzione, si potrebbe valutare una fase di ritaglio del soggetto oppure un modello di object detection, da addestrare e verificare separatamente.
La scelta dipenderà dal contesto: per un esperimento con fotografie inquadrate in modo controllato, un classificatore può essere sufficiente; per il riconoscimento di uccelli liberi in una scena naturale, il problema è più complesso.
9. Meshtastic e LoRa: quando l’intelligenza artificiale comunica via radio
Il riconoscimento di una specie è soltanto una parte del progetto. Una volta ottenuto il risultato, occorre decidere come trasmetterlo.
Birdgarden sperimenta l’impiego di dispositivi LoRa e della rete Meshtastic per inviare un breve messaggio testuale contenente l’esito del riconoscimento e una probabilità associata alla previsione.
LoRa è una tecnologia di comunicazione radio progettata per trasmettere piccoli quantitativi di dati a distanza, con consumi contenuti. Meshtastic consente di organizzare dispositivi compatibili in una rete di messaggistica che può funzionare senza dipendere da un collegamento Internet tradizionale anche in luoghi dove non esiste copertura cellulare.
Questa soluzione è interessante per le installazioni naturalistiche perché il punto di osservazione potrebbe trovarsi in un giardino, in un’area rurale o in un luogo in cui la connettività Internet non è disponibile o non è conveniente.
La rete radio può trasportare informazioni sintetiche come una specie stimata e il relativo punteggio, non potendo trasmettere fotografie complete.
È una distinzione importante: il modello elabora l’immagine e produce un risultato compatto; la rete radio trasporta il risultato. Non è necessario inviare l’intera immagine per comunicare quale categoria sia stata riconosciuta, la foto rimarrà disponibile nel dispositivo per un futuro download.
Questa architettura permette inoltre di studiare i limiti delle comunicazioni a basso consumo. La quantità di dati trasmissibili, il tempo necessario per l’invio, la copertura radio e le regole di utilizzo delle frequenze influenzano le scelte progettuali.
In una rete LoRa non è infatti sempre opportuno trasmettere immagini ad alta risoluzione: i tempi di trasmissione e le limitazioni del protocollo rendono generalmente più sensato inviare messaggi brevi.
L’utilizzo di Meshtastic offre così un secondo livello didattico. Dopo aver studiato come una rete neurale interpreta un’immagine, è possibile osservare come il risultato viene trasformato in un messaggio e trasportato attraverso una rete indipendente da Internet.
10. Una storia di sperimentazione: dalla radio SSTV all’AI on-device
L’evoluzione di Birdgarden mostra come una stessa applicazione possa diventare il punto di partenza per sperimentare tecnologie differenti.
Nel 2025 il progetto ha affrontato la trasmissione delle immagini attraverso la radio VHF, utilizzando la modalità FM SSTV (Slow Scan Television).
La SSTV consente di convertire un’immagine in un segnale audio che può essere trasmesso via radio e successivamente ricostruito da una stazione ricevente. È una tecnica conosciuta anche nell’ambito delle attività radioamatoriali e utilizzata, in specifici contesti, per la trasmissione di immagini dalla Stazione Spaziale Internazionale.
La prova ha permesso di affrontare un problema concreto: come trasferire un’immagine attraverso un canale con capacità limitata, senza utilizzare una normale connessione di rete?
Nel 2026 la sperimentazione si è ampliata con Meshtastic e LoRa. In questo caso l’attenzione si è spostata dalla trasmissione dell’immagine completa alla comunicazione del risultato prodotto dall’intelligenza artificiale.
Le due esperienze rappresentano approcci complementari. La SSTV permette di studiare come un’immagine possa essere trasportata attraverso un segnale radio; la comunicazione LoRa consente di trasmettere messaggi molto più compatti, come una classificazione prodotta da un modello.
Nel frattempo, l’introduzione della Raspberry Pi AI Camera porta l’elaborazione vicino al sensore e permette di studiare l’AI su dispositivi periferici, secondo il paradigma dell’edge AI.
Il risultato non è una singola tecnologia isolata, ma un percorso in cui acquisizione, elaborazione e trasmissione possono essere analizzate separatamente e poi integrate.
11. Un progetto interdisciplinare per scuole e maker
Birdgarden 2.0 è pensato per essere adattabile a percorsi educativi rivolti a studenti, appassionati e maker.
Il suo punto di forza è la possibilità di suddividere il lavoro in moduli indipendenti, ciascuno con obiettivi tecnici verificabili.
Elettronica e sensori
La realizzazione della casetta e il collegamento delle periferiche consentono di introdurre microcontrollori, sensori, alimentazione e interfacce hardware.
Il progetto può essere utilizzato per comprendere come un dispositivo fisico acquisisce informazioni dall’ambiente e le mette a disposizione del software.
Programmazione e sistemi Linux
L’installazione del sistema operativo, l’utilizzo del terminale e la gestione degli script permettono di introdurre concetti di programmazione e amministrazione informatica.
Gli studenti possono modificare uno script, verificare il risultato, leggere un messaggio di errore e imparare a risolvere problemi attraverso la documentazione.
Intelligenza artificiale e computer vision
Il training del modello permette di affrontare la preparazione dei dataset, la classificazione, il transfer learning e la valutazione delle prestazioni.
La quantizzazione introduce inoltre un tema importante: un modello non deve essere soltanto accurato, ma deve anche rispettare i vincoli dell’hardware sul quale verrà eseguito.
Reti e telecomunicazioni
Le prove con LoRa, Meshtastic e SSTV permettono di confrontare differenti modalità di comunicazione, comprendendo perché una fotografia e un breve messaggio testuale richiedano strategie diverse.
Modellazione e stampa 3D
La progettazione della struttura può diventare un esercizio di modellazione tridimensionale e prototipazione. Gli studenti possono disegnare supporti, contenitori e componenti personalizzati, valutando le esigenze di montaggio, protezione e manutenzione.
Osservazione naturalistica
Il progetto offre anche l’occasione per raccogliere immagini, osservare le specie presenti e riflettere sulla qualità dei dati utilizzati nell’addestramento.
La componente naturalistica non deve essere considerata un semplice pretesto. Le fotografie reali introducono problemi autentici di variabilità e incertezza, rendendo evidente che un modello di AI non è infallibile e che i suoi risultati devono essere interpretati.
Per un’associazione, una scuola o un laboratorio maker, questa interdisciplinarità consente di organizzare attività differenti intorno a un unico progetto concreto.
12. I prossimi sviluppi: più specie, nuovi modelli e nuove possibilità
La sperimentazione su cinque specie rappresenta una prova circoscritta, utile per verificare la fattibilità della pipeline. Non costituisce il limite definitivo del progetto.
Un’evoluzione naturale consiste nell’ampliare il numero delle categorie riconoscibili e nel raccogliere immagini più numerose e diversificate.
L’aumento delle specie richiede però un lavoro metodico. Non basta aggiungere cartelle al dataset: occorre assicurarsi che ogni categoria sia rappresentata in modo adeguato, che le immagini siano correttamente etichettate e che il test comprenda situazioni sufficientemente varie.
Sarà inoltre utile verificare il comportamento del modello quando riceve immagini che non appartengono a nessuna delle specie conosciute. Un classificatore standard può infatti assegnare una delle classi disponibili anche quando il soggetto è sconosciuto, assente o troppo poco visibile.
Per rendere il sistema più robusto si potrebbero introdurre soglie di confidenza, una categoria di fondo o meccanismi di rifiuto della previsione quando le condizioni non sono sufficientemente affidabili. Anche queste soluzioni dovrebbero essere sottoposte a test specifici.
Un altro filone riguarda il confronto tra classificazione e rilevamento degli oggetti. Se l’obiettivo diventerà identificare gli uccelli in scene naturali complesse, sarà opportuno valutare architetture in grado di localizzare il soggetto prima o durante il riconoscimento.
Infine, l’esperienza potrebbe essere estesa alla classificazione dei richiami sonori, tema già presente tra gli obiettivi didattici del progetto. L’analisi audio presenta sfide differenti rispetto alle immagini, ma si presta a un percorso analogo: raccolta dei dati, preparazione delle etichette, addestramento, valutazione e implementazione su hardware compatto.
Ogni nuova funzione può essere affrontata come un esperimento autonomo, documentato e condivisibile.
13. Come partecipare e riprodurre l’esperimento
Il codice e la documentazione di Birdgarden 2.0 sono pubblicamente disponibili su GitHub:
Repository del progetto: https://github.com/idamato/birdgarden
La documentazione contiene indicazioni per configurare Raspberry Pi OS, installare le dipendenze software e avviare le componenti del progetto. Include inoltre materiale collegato alle sperimentazioni sull’intelligenza artificiale.
Chi desidera replicare il lavoro può iniziare dalla configurazione di un Raspberry Pi compatibile e dalla verifica delle funzionalità di acquisizione delle immagini. Per la parte AI sono necessari una Raspberry Pi AI Camera con sensore IMX500 e un modello convertito nel formato previsto per l’esecuzione sulla telecamera.
Il percorso di addestramento può invece essere studiato su un computer separato, seguendo i materiali presenti nel repository e verificando le dipendenze richieste dall’ambiente utilizzato.
Prima di riprodurre i risultati è importante distinguere il codice applicativo, il modello addestrato, il dataset e gli strumenti di conversione: sono elementi collegati, ma non necessariamente distribuiti con le stesse licenze o con le medesime modalità.
Il progetto è curato dai soci di Il faro d’argento APS, associazione che promuove attività educative e tecnologiche. Per informazioni sulle attività e sulle possibili collaborazioni è possibile consultare il sito dell’associazione:
Conclusione: imparare facendo, condividendo il codice
Birdgarden 2.0 dimostra come un progetto apparentemente semplice possa diventare un laboratorio multidisciplinare nel quale convivono osservazione della natura, elettronica, programmazione Linux, intelligenza artificiale e comunicazioni radio.
La classificazione sperimentale su cinque specie ha consentito di verificare una pipeline completa, dal transfer learning alla quantizzazione, fino all’esecuzione del modello sulla Raspberry Pi AI Camera. I risultati iniziali sono promettenti, ma indicano anche la necessità di ampliare i test per valutare l’affidabilità in condizioni naturalistiche reali.
È proprio questa combinazione di risultato concreto, documentazione aperta e consapevolezza dei limiti a rendere il progetto interessante dal punto di vista didattico.
L’obiettivo non è presentare l’intelligenza artificiale come una scatola nera capace di risolvere qualsiasi problema, ma renderne osservabili i meccanismi: i dati da cui apprende, le scelte tecniche che ne condizionano il funzionamento, i vincoli dell’hardware e gli errori che possono emergere.
Condividere il codice significa permettere ad altri di ripetere l’esperimento, verificare i risultati e costruire nuove soluzioni.
E così, da una mangiatoia per uccelli, può nascere un percorso concreto per avvicinarsi alle tecnologie che stanno trasformando il mondo.