{"id":16351,"date":"2026-10-21T12:13:18","date_gmt":"2026-10-21T10:13:18","guid":{"rendered":"https:\/\/www.webradiofaro.it\/birdgarden\/?page_id=16351"},"modified":"2026-10-21T12:13:18","modified_gmt":"2026-10-21T10:13:18","slug":"cosa-centra-lintelligenza-artificiale","status":"publish","type":"page","link":"https:\/\/www.webradiofaro.it\/birdgarden\/cosa-centra-lintelligenza-artificiale\/","title":{"rendered":"Cosa c’entra l’intelligenza artificiale?"},"content":{"rendered":"\n

“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 \u00e8 pubblico e l’intero percorso \u00e8 pensato per essere studiato, modificato e replicato da chiunque.”<\/em><\/strong><\/p>\n\n\n\n

Articolo a cura di Il faro d’argento APS<\/em><\/p>\n\n\n\n

Indice dei capitoli<\/h2>\n\n\n\n
    \n
  1. Una mangiatoia per uccelli diventa un laboratorio tecnologico<\/li>\n\n\n\n
  2. Open source: un progetto che chiunque pu\u00f2 studiare e migliorare<\/li>\n\n\n\n
  3. Linux e Python al centro della sperimentazione<\/li>\n\n\n\n
  4. Dalla fotografia all’intelligenza artificiale<\/li>\n\n\n\n
  5. MobileNetV2: il modello scelto per il riconoscimento<\/li>\n\n\n\n
  6. Come si addestra un’intelligenza artificiale<\/li>\n\n\n\n
  7. I risultati del training: cosa ci dicono davvero i numeri<\/li>\n\n\n\n
  8. Dalla rete neurale alla Raspberry Pi AI Camera<\/li>\n\n\n\n
  9. Meshtastic e LoRa: quando l’intelligenza artificiale comunica via radio<\/li>\n\n\n\n
  10. Una storia di sperimentazione: dalla radio SSTV all’AI on-device<\/li>\n\n\n\n
  11. Un progetto interdisciplinare per scuole e maker<\/li>\n\n\n\n
  12. I prossimi sviluppi: pi\u00f9 specie, nuovi modelli e nuove possibilit\u00e0<\/li>\n\n\n\n
  13. Come partecipare alla rete riproducendo l’esperimento<\/li>\n<\/ol>\n\n\n\n
    \n\n\n\n

    1. Una mangiatoia per uccelli diventa un laboratorio tecnologico<\/h2>\n\n\n\n

    Pu\u00f2 una semplice casetta per uccelli trasformarsi in uno strumento per imparare elettronica, programmazione, intelligenza artificiale e telecomunicazioni? \u00c8 questa l’idea alla base di Birdgarden 2.0<\/strong>, un progetto sviluppato dai soci di Il faro d’argento APS che unisce l’osservazione della natura alla sperimentazione tecnologica.<\/p>\n\n\n\n

    L’obiettivo iniziale \u00e8 realizzare una casetta-nido o una mangiatoia dotata di sensori, telecamera e, quando previsto dalla configurazione, microfono. Il dispositivo pu\u00f2 acquisire fotografie e registrazioni, raccogliere informazioni sull’attivit\u00e0 degli uccelli e rendere disponibili i dati attraverso un’infrastruttura informatica.<\/p>\n\n\n\n

    Ma Birdgarden non \u00e8 soltanto un sistema di monitoraggio naturalistico. \u00c8 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.<\/p>\n\n\n\n

    Nel corso delle sue evoluzioni, il progetto ha sperimentato diverse modalit\u00e0 di trasmissione delle informazioni. Nel 2025 l’attenzione si \u00e8 concentrata sull’invio di immagini tramite radio VHF, utilizzando la modalit\u00e0 FM SSTV. Nel 2026 la sperimentazione si \u00e8 estesa all’intelligenza artificiale eseguita direttamente su una telecamera specializzata e alla trasmissione di brevi messaggi attraverso reti radio LoRa.<\/p>\n\n\n\n

    L’aspetto interessante \u00e8 che ogni componente diventa un’occasione didattica: si pu\u00f2 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.<\/p>\n\n\n\n

    Il progetto \u00e8 documentato pubblicamente nel repository GitHub:<\/p>\n\n\n\n

    \nhttps:\/\/github.com\/idamato\/birdgarden\n<\/div><\/figure>\n\n\n\n

    2. Open source: un progetto che chiunque pu\u00f2 studiare e migliorare<\/h2>\n\n\n\n

    Uno degli elementi centrali di Birdgarden 2.0 \u00e8 la scelta dell’open source<\/strong>.<\/p>\n\n\n\n

    Il codice del progetto \u00e8 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.<\/p>\n\n\n\n

    Il repository non \u00e8 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.<\/p>\n\n\n\n

    In un laboratorio tradizionale, gli studenti potrebbero utilizzare un dispositivo commerciale gi\u00e0 pronto, osservando soltanto ci\u00f2 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?<\/p>\n\n\n\n

    Le risposte non devono necessariamente arrivare da un manuale o dall’insegnante: possono essere ricercate direttamente nel codice e verificate attraverso esperimenti. La disponibilit\u00e0 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.<\/p>\n\n\n\n

    L’open source favorisce anche la continuit\u00e0 del lavoro. Un esperimento non rimane confinato a una dimostrazione o a una singola manifestazione: pu\u00f2 diventare la base di un nuovo progetto, essere ripreso da un’altra classe o essere migliorato da chi possiede competenze diverse.<\/p>\n\n\n\n

    \u00c8 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.<\/em><\/p>\n\n\n\n

    Il principio, tuttavia, resta chiaro: rendere accessibile il percorso tecnico, non soltanto il risultato ottenuto<\/strong>.<\/p>\n\n\n\n

    3. Linux al centro della sperimentazione<\/h2>\n\n\n\n

    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 perch\u00e9 mette a disposizione strumenti consolidati per amministrare il dispositivo, installare librerie, gestire le periferiche e automatizzare le attivit\u00e0.<\/p>\n\n\n\n

    Linux, in questo contesto, non \u00e8 semplicemente il sistema operativo che avvia il Raspberry. \u00c8 parte integrante dell’esperimento.<\/p>\n\n\n\n

    Attraverso il terminale \u00e8 possibile aggiornare il sistema, installare le dipendenze, verificare il riconoscimento delle periferiche USB, configurare le porte seriali e controllare i servizi che eseguono le attivit\u00e0 automatiche. Gli script Python possono essere avviati manualmente oppure integrati in servizi che funzionano senza richiedere continuamente l’intervento dell’operatore.<\/p>\n\n\n\n

    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.<\/p>\n\n\n\n

    Un ulteriore vantaggio \u00e8 la possibilit\u00e0 di lavorare anche senza un ambiente grafico. Una volta configurato, il dispositivo pu\u00f2 operare senza monitor e tastiera, caratteristica utile quando viene installato in una casetta per uccelli o in una postazione di osservazione.<\/p>\n\n\n\n

    L’impiego di Linux facilita inoltre la riproducibilit\u00e0 dell’esperimento. Le procedure di installazione possono essere documentate e gli script condivisi, rendendo pi\u00f9 semplice ricostruire l’ambiente su un altro dispositivo compatibile.<\/p>\n\n\n\n

    Questo non significa che ogni fase debba essere eseguita sul Raspberry: l’addestramento del modello di intelligenza artificiale pu\u00f2 avvenire su un computer separato. Il dispositivo sul campo viene invece utilizzato per acquisire le immagini e, nel caso della versione sperimentale descritta pi\u00f9 avanti, eseguire l’inferenza sul chip della telecamera.<\/p>\n\n\n\n

    \u00c8 una distinzione didatticamente preziosa: il computer utilizzato per costruire un modello non deve necessariamente essere lo stesso che lo utilizza.<\/p>\n\n\n\n

    4. Dalla fotografia all’intelligenza artificiale<\/h2>\n\n\n\n

    Il passaggio pi\u00f9 recente di Birdgarden consiste nell’integrare il riconoscimento automatico delle immagini.<\/p>\n\n\n\n

    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.<\/p>\n\n\n\n

    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 ci\u00f2 che vede.<\/p>\n\n\n\n

    Il risultato pu\u00f2 essere rappresentato come una lista di probabilit\u00e0 o punteggi associati alle classi considerate. La categoria con il punteggio pi\u00f9 alto costituisce la previsione del modello, ma non equivale necessariamente a una certezza scientifica.<\/p>\n\n\n\n

    Per comprendere il processo bisogna distinguere due fasi:<\/p>\n\n\n\n

      \n
    • Training:<\/strong> il modello viene addestrato su immagini etichettate, in modo da imparare a riconoscere le caratteristiche utili a distinguere le categorie.<\/li>\n\n\n\n
    • Inferenza:<\/strong> il modello gi\u00e0 addestrato riceve una nuova immagine e produce una previsione senza dover essere addestrato nuovamente.<\/li>\n<\/ul>\n\n\n\n

      Questa separazione \u00e8 essenziale. L’addestramento pu\u00f2 richiedere numerose elaborazioni e un ambiente software pi\u00f9 articolato; l’inferenza, invece, deve essere sufficientemente leggera da funzionare sull’hardware destinato all’installazione.<\/p>\n\n\n\n

      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?<\/p>\n\n\n\n

      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.<\/p>\n\n\n\n

      5. MobileNetV2: il modello scelto per il riconoscimento<\/h2>\n\n\n\n

      Per la prova di riconoscimento \u00e8 stata utilizzata MobileNetV2<\/strong>, un’architettura di rete neurale progettata per eseguire attivit\u00e0 di visione artificiale anche su dispositivi con capacit\u00e0 di calcolo e memoria limitate.<\/p>\n\n\n\n

      MobileNetV2 appartiene alla famiglia delle reti convoluzionali, o CNN (Convolutional Neural Networks<\/em>). Queste reti elaborano le immagini attraverso strati che imparano a riconoscere caratteristiche visive via via pi\u00f9 complesse.<\/p>\n\n\n\n

      Nei primi strati possono emergere informazioni elementari come bordi, contrasti e trame; negli strati successivi vengono combinate rappresentazioni pi\u00f9 articolate, potenzialmente utili a distinguere forme e strutture caratteristiche degli oggetti.<\/p>\n\n\n\n

      L’architettura MobileNetV2 utilizza, tra le altre soluzioni, convoluzioni separabili in profondit\u00e0 e blocchi con connessioni residue. Queste scelte contribuiscono a ridurre il costo computazionale rispetto a molte architetture pi\u00f9 pesanti.<\/p>\n\n\n\n

      \u00c8 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.<\/p>\n\n\n\n

      Il transfer learning<\/h3>\n\n\n\n

      Nel progetto \u00e8 stato adottato un approccio di transfer learning<\/em>, cio\u00e8 il trasferimento di conoscenze apprese in precedenza.<\/p>\n\n\n\n

      Invece di iniziare l’addestramento da zero, si parte da una MobileNetV2 preaddestrata sul grande insieme di immagini ImageNet. Il modello possiede gi\u00e0 una rappresentazione generale di numerose caratteristiche visive.<\/p>\n\n\n\n

      La rete viene quindi adattata al nuovo compito, sostituendo o riaddestrando la parte dedicata alla classificazione affinch\u00e9 distingua le cinque categorie previste dall’esperimento.<\/p>\n\n\n\n

      Il vantaggio \u00e8 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 pi\u00f9 accessibili.<\/p>\n\n\n\n

      Il transfer learning non garantisce automaticamente un buon risultato. La qualit\u00e0 della classificazione dipende anche dalle immagini disponibili, dalla loro variet\u00e0, dalla separazione tra i dati di addestramento e quelli di verifica e dalla somiglianza tra le condizioni sperimentali e quelle reali.<\/p>\n\n\n\n

      La dimensione dell’immagine<\/h3>\n\n\n\n

      La configurazione utilizzata nel training prevede immagini di ingresso da 224 \u00d7 224 pixel.<\/p>\n\n\n\n

      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 pu\u00f2 anche eliminare dettagli importanti.<\/p>\n\n\n\n

      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 pi\u00f9 difficile distinguere queste caratteristiche.<\/p>\n\n\n\n

      Per questo motivo la qualit\u00e0 dell’inquadratura \u00e8 importante quanto la scelta dell’architettura. Un’immagine nitida, con il soggetto sufficientemente grande e illuminato, pu\u00f2 essere molto pi\u00f9 utile di una fotografia ad alta risoluzione nella quale l’uccello appare come un piccolo elemento distante.<\/p>\n\n\n\n

      6. Come si addestra un’intelligenza artificiale<\/h2>\n\n\n\n

      Uno degli aspetti pi\u00f9 interessanti di Birdgarden \u00e8 la possibilit\u00e0 di seguire il percorso che porta dalle fotografie al modello utilizzabile sulla telecamera.<\/p>\n\n\n\n

      Il repository mette a disposizione materiale relativo alla sperimentazione e al training, consentendo di studiare una pipeline di addestramento anzich\u00e9 limitarsi a utilizzare un modello gi\u00e0 pronto.<\/p>\n\n\n\n

      6.1 Preparazione del dataset<\/h3>\n\n\n\n

      Il primo passaggio consiste nel raccogliere immagini rappresentative delle categorie da riconoscere e associarle alle rispettive etichette.<\/p>\n\n\n\n

      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.<\/p>\n\n\n\n

      Questa distribuzione serve a separare tre funzioni differenti:<\/p>\n\n\n\n

        \n
      • Training:<\/strong> le immagini utilizzate per aggiornare i parametri del modello.<\/li>\n\n\n\n
      • Validazione:<\/strong> le immagini impiegate per controllare l’andamento dell’addestramento e valutare le scelte di configurazione.<\/li>\n\n\n\n
      • Test:<\/strong> le immagini tenute da parte per misurare le prestazioni sul campione finale.<\/li>\n<\/ul>\n\n\n\n

        La separazione \u00e8 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 anzich\u00e9 elementi realmente generalizzabili.<\/p>\n\n\n\n

        \u00c8 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.<\/p>\n\n\n\n

        6.2 Apprendimento dei parametri<\/h3>\n\n\n\n

        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<\/em>).<\/p>\n\n\n\n

        L’algoritmo di ottimizzazione aggiorna quindi i parametri della rete per ridurre, nel corso delle iterazioni, gli errori commessi sui dati di addestramento.<\/p>\n\n\n\n

        Il processo viene ripetuto pi\u00f9 volte, attraverso le cosiddette epoche, fino a raggiungere il criterio di arresto previsto dalla configurazione.<\/p>\n\n\n\n

        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, pu\u00f2 essere presente un fenomeno di overfitting<\/em>.<\/p>\n\n\n\n

        Il modello non sta necessariamente imparando a riconoscere meglio la specie in generale: potrebbe essersi adattato eccessivamente alle particolarit\u00e0 delle fotografie disponibili.<\/p>\n\n\n\n

        6.3 Dal modello float alla quantizzazione<\/h3>\n\n\n\n

        Terminato il training, il modello deve essere adattato all’ambiente di esecuzione previsto.<\/p>\n\n\n\n

        Un modello in virgola mobile, per esempio, pu\u00f2 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.<\/p>\n\n\n\n

        La quantizzazione, tuttavia, non \u00e8 una semplice compressione di un file. Modifica la rappresentazione numerica utilizzata durante l’inferenza e pu\u00f2 introdurre una perdita di precisione.<\/p>\n\n\n\n

        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 compatibilit\u00e0 sia stato ottenuto mantenendo una qualit\u00e0 adeguata.<\/p>\n\n\n\n

        In Birdgarden, il confronto tra la versione originale e quella quantizzata \u00e8 parte integrante della sperimentazione.<\/p>\n\n\n\n

        7. I risultati del training: cosa ci dicono davvero i numeri<\/h2>\n\n\n\n

        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.<\/p>\n\n\n\n

        Questi dati sono utili perch\u00e9 dimostrano che, nelle condizioni specifiche dell’esperimento, il modello \u00e8 riuscito a classificare correttamente tutte le immagini del campione finale.<\/p>\n\n\n\n

        Occorre per\u00f2 interpretarli con rigore.<\/p>\n\n\n\n

        Che cosa significa un’accuratezza del 100%?<\/h3>\n\n\n\n

        L’accuratezza \u00e8 il rapporto tra il numero di previsioni corrette e il numero totale di esempi valutati.<\/p>\n\n\n\n

        Nel caso in esame, il test comprende 25 immagini. Se tutte le immagini sono state classificate correttamente, il risultato \u00e8:<\/p>\n\n\n\n

        25 previsioni corrette su 25, cio\u00e8 100% di accuratezza osservata.<\/strong><\/p>\n\n\n\n

        \u00c8 un risultato positivo per una prova di fattibilit\u00e0, ma il campione \u00e8 piccolo. Un errore in pi\u00f9 avrebbe ridotto l’accuratezza dal 100% al 96%; due errori l’avrebbero portata al 92%.<\/p>\n\n\n\n

        Con 25 esempi non \u00e8 quindi possibile concludere che il sistema riconoscer\u00e0 correttamente ogni fotografia acquisita in natura.<\/p>\n\n\n\n

        Inoltre, le immagini raccolte in condizioni controllate possono essere pi\u00f9 semplici di quelle che il dispositivo incontrer\u00e0 durante l’utilizzo reale. Cambiamenti di illuminazione, ombre, sfondi complessi, soggetti parzialmente nascosti, differenti angolazioni e fotografie sfocate possono modificare sensibilmente il risultato.<\/p>\n\n\n\n

        Precisione, richiamo e F1<\/h3>\n\n\n\n

        Le altre metriche aiutano a interpretare il comportamento del classificatore.<\/p>\n\n\n\n