Rozpoznávání rostlin pomocí AI: jak to funguje a jaká je úspěšnost

Rozpoznávání rostlin pomocí AI znamená určení druhu živé rostliny z fotografie. Program porovnává vizuální prvky na snímku (tvar a žilnatinu listu, tvar květu, texturu kůry) s miliony fotografií, které již dříve identifikovali botanici, a předloží vám seznam kandidátů od nejvíce pravděpodobného po nejméně pravděpodobný. Celý tento proces probíhá bez toho, aby počítač rostlině jakkoli herně rozuměl.

Ve vědeckých studiích publikovaných mezi lety 2020 a 2025 úspěšně určily aplikace správný druh hned na první pokus u 17 % až 90 % fotografií. Velký podíl na tomto rozdílu přitom nemá samotný software, ale to, co přesně jste vyfotili. Stejný fotoaparát, stejná rostlina a stejná aplikace dají úplně jiný výsledek, když vyfotíte kůru místo listu nebo když rostlina zrovna kvete.

Rychlé shrnutí:

• Ve studii Schmidta a kolektivu (2022), která zkoumala 55 druhů stromů, určil nejpřesnější program správný druh u 83,86 % fotek listů, ale jen u 51,82 % fotek kůry. To je rozdíl 32 procentních bodů u stejné rostliny a se stejnou aplikací.

• Na 560 fotografiích irských bylin (Campbell, Peacock a Bacon, 2023) si všechny testované aplikace vedly lépe s květem než s listem, přičemž rozdíly činily 6 až 29 procentních bodů.

• Žádná dosud publikovaná studie neměřila úspěšnost u pěstovaných pokojových rostlin. Dostupné testy pracovaly s pouličními stromy, divokou flórou a polními rostlinami.

• Kultivar není druh. Pro model jsou Monstera 'Thai Constellation' a 'Albo' jedna a tatáž rostlina.

• Výsledek z aplikace nelze brát jako záruku bezpečnosti. V testu publikovaném v časopise Clinical Toxicology (2023) označila alespoň jedna z aplikací 5 z 11 toxických druhů za jedlé.

Co AI opravdu dělá, když vyfotíte rostlinu

Identifikátor rostlin s AI nerozumí botanice. Jde o model počítačového vidění vytrénovaný na databázi již určených fotografií. Jeho úkolem je měřit podobnost: převede vaši fotku na sadu číselných parametrů (okraje, křivky, textury, proporce) a hledá v databázi druhy, jejichž fotky generují podobná čísla. Výsledkem je žebříček kandidátů s vyjádřením míry spolehlivosti u každého z nich.

To s sebou nese čtyři praktické důsledky, které vysvětlují téměř každou chybu, na kterou narazíte:

1. Co není v databázi, to nelze rozpoznat. Pl@ntNet, který je největším otevřeným projektem v této oblasti, zveřejňuje svá vlastní čísla: 84 710 druhů a více než 1,47 miliardy snímků, rozdělených do 77 regionálních flór. Je to hodně, a přesto je to jen zlomek z přibližně 400 tisíc popsaných druhů kvetoucích rostlin na světě.

2. Míra spolehlivosti vyjadřuje podobnost, nikoli pravdu. Vysoké číslo znamená pouze to, že se tato fotka velmi podobá snímkům daného druhu v databázi. Pokud tam správný druh vůbec není, model vám s vysokou jistotou nabídne nejbližšího podobného souseda.

3. Část rostliny je důležitější než samotná aplikace. Každý orgán nese jiné množství taxonomických informací a model může pracovat jen s tím, co je na fotce vidět.

4. Model představuje průměr. Byl vytrénován na fotkách dospělých, zdravých rostlin v jejich přirozeném prostředí. Čím více se váš případ od tohoto ideálu liší, tím častěji bude chybovat.

Samotný projekt Pl@ntNet uvádí větu, kterou na prodejních stránkách aplikací nenajdete: „Jako každý model AI, ani Pl@ntNet není neomylný.“

Jaká je úspěšnost určování pomocí AI podle vědeckých měření

Ve čtyřech recenzovaných studiích publikovaných mezi lety 2020 a 2025 určily mobilní aplikace pro identifikaci rostlin správný druh na první pokus v 17 % až 90 % případů. Úspěšnost závisela na konkrétní aplikaci, testované flóře a fotografované části rostliny. Určení na úrovni rodu vykazuje vždy vyšší úspěšnost než určení konkrétního druhu.

Níže najdete výsledky jednotlivých výzkumů. Tyto studie pracovaly s odlišnou flórou, vzorky i metodikou, takže čísla lze porovnávat pouze v rámci jednoho řádku, nikoli mezi nimi. Aplikace s úspěšností 83 % ve studii stromů v New Jersey není automaticky „lepší“ než aplikace s 57 % v analýze britské flóry.

Všechny čtyři práce ukazují dva jasné trendy. Prvním je, že se aplikace velmi rychle zlepšují: rozdíl mezi výsledky z roku 2020 a 2025 je příliš velký na to, aby šlo o náhodnou odchylku. Druhým faktem je, že kompozice záběru ovlivňuje výsledek v rámci jedné aplikace stejně výrazně jako rozdíly mezi nejlepšími nástroji na trhu. V Schmidtově studii stála záměna listu za kůru nejpřesnější aplikaci celých 32 bodů, což je více než dvojnásobek čtrnáctibodového rozdílu, který ji dělil od druhého místa.

Aplikace, kterou si stáhnete do telefonu, málokdy provádí samotné rozpoznávání na svém serveru. Mnohé z nich využívají na pozadí systémy třetích stran. Bloom identifikuje rostliny přes Plant.id. To je stejný systém, který zvítězil ve studii Jonese (2020) a dnes se zobrazuje jako první výsledek v Google vyhledávání pro určení rostlin s ověřenou úspěšností 93 % od nezávislých univerzit. Toto číslo se vztahuje na samotný rozpoznávací systém, nikoli na celou aplikaci, a takto je třeba ho vnímat u jakéhokoli softwaru, který tohoto poskytovatele využívá.

Proč focení kůry přináší mnohem více chyb než focení listu

Fotografie kůry představuje pro rozpoznávací systémy s AI ten nejhorší možný záběr. Ve studii Schmidta a kolektivu (2022) bylo vyfotografováno stejných 55 druhů dvakrát, jednou přes list a podruhé přes kůru, a to stejným zařízením a stejnými lidmi. Pokles úspěšnosti vypadá následovně:

U aplikace PictureThis došlo k poklesu úspěšnosti u druhu o 32,04 bodu, u iNaturalist dokonce o 37,73 bodu. Abstrakt studie to shrnuje jasně: „these apps are much more accurate in identifying leaf photos as compared to bark photos“ (tyto aplikace jsou při identifikaci z fotek listů mnohem přesnější než z fotek kůry).

Důvod je botanický, nikoli technologický. List nese znaky, které spolehlivě odlišují jednotlivé druhy: tvar, typ okraje (hladký, pilovitý, laločnatý), uspořádání žilnatiny nebo místo připojení řapíku. Kůra nabízí pouze texturu. Textura kůry se přitom mění s věkem stromu, vlhkostí vzduchu, výskytem lišejníků a hub či podle toho, z jaké světové strany kmen vyfotíte. Dva různé druhy mohou mít ve věku 20 let téměř identickou kůru, zatímco u stejného druhu se kůra mezi 5. a 50. rokem života dramaticky promění.

Stejná rostlina v květu dává úplně jiné výsledky

Květ je pro identifikaci pomocí AI tím nejvýznamnějším zdrojem informací. Rozdíl v úspěšnosti je natolik velký, že by měl ovlivnit vaše rozhodnutí, kdy rostlinu fotit. Ve studii autorů Campbell, Peacock a Bacon (2023) bylo pořízeno 560 snímků 38 druhů bylin, polovina tvořila fotky listů a druhou polovinu fotky květů. Foceno bylo stejným telefonem a bez jakýchkoli úprav. Výsledky u jednotlivých aplikací:

Tento efekt se znovu nezávisle objevuje v Hart et al. (2023), People and Nature 5(2), kde se uvádí: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (hůře fungující aplikace dosahovaly výrazně lepších výsledků, když byl přítomen květ).

Důvod je stejný jako u kůry. Květ je strukturou, kterou botanici používají k zařazování rostlin již tři století, protože počet okvětních lístků, symetrie, uspořádání tyčinek a tvar kalichu jsou v rámci druhu stabilní a mezi druhy se liší. List je mnohem méně jednoznačný. Desítky druhů áronovitých rostlin mají velmi podobné zelené, lesklé a oválné listy.

Šplhavnice, zamiokulkas, monstera, ledviník nebo tenura v bytě kvetou jen zřídka nebo vůbec. Pokud fotíte pokojovky, nacházíte se téměř vždy v situaci s nejnižší úspěšností určení.

Proč je rostlina ve vašem bytě nejtěžším oříškem

Pěstovaná pokojová rostlina představuje pro identifikaci pomocí AI nejnáročnější scénář, a to kvůli třem souvisejícím faktorům: její úspěšnost nebyla dosud měřena v žádné publikované studii, obvykle jde o kultivar, který taxonomie neodlišuje od původního druhu, a téměř nikdy nekvete.

Žádná publikovaná studie neměřila pokojové rostliny. Stojí za to se podívat, s čím výzkumy pracovaly: Schmidt a kolektiv (2022) testovali stromy v ulicích a lesích v New Jersey; Campbell, Peacock a Bacon (2023) zkoumali irské luční byliny; Jones (2020) analyzoval britskou flóru a Hart et al. (2023) divokou flóru ve Velké Británii, přičemž záměrně vyloučili exotické druhy z parků a zahrad. Když čtete, že „aplikace mají úspěšnost 85 %“, toto číslo bylo naměřeno v přírodě, nikoli ve vašem obýváku.

Kultivar není druh a model zná pouze druhy. Rostlina, kterou si koupíte v zahradnictví, bývá často vyšlechtěnou variantou s obchodním názvem. Monstera deliciosa 'Thai Constellation' a 'Albo Borsigiana' jsou z taxonomického hlediska stejný druh. Liší se pouze barevnou mutací (panšováním), což je přesně ten prvek, který vaše oko používá k jejich odlišení, ale který se model naučil ignorovat jako pouhou změnu světelných podmínek. Většina kultivarů nemá v databázi vlastní štítek, takže aplikace sice správně určí druh, ale neurčí konkrétní variantu, kterou máte doma.

Pokojová rostlina se často vymyká tréninkovému standardu. Referenční snímky ukazují dospělé, zdravé rostliny v jejich přirozeném prostředí. Vaše pokojovka je v malém květináči, ostříhaná, vytáhlá za světlem k oknu, s menšími listy, suchými konečky a bez květů. Každá taková odchylka vzdaluje snímek od toho, co model viděl při trénování.

Aplikace jsou pro pokojovky stále užitečné. Publikovaná čísla úspěšnosti jsou však spíše stropem než průměrem pro domácí použití a ověření výsledku je zde důležitější než v přírodě.

Když se chyba nevyplácí: toxické rostliny a domácí mazlíčci

Identifikace rostlin pomocí AI není spolehlivá pro rozhodování, zda je rostlina toxická. V testu publikovaném v časopise Clinical Toxicology 61(7) v roce 2023 označila alespoň jedna z hodnocených aplikací 5 z 11 potenciálně toxických druhů za jedlé. Studie autorů Campbell, Peacock a Bacon zahrnovala dvě toxické rostliny a dospěla ke stejnému závěru v větě, kterou stojí za to citovat celou:

"They should not be trusted to identify toxic species." Na jejich spolehlivost při identifikaci toxických druhů se nelze spoléhat.

Jednoduché praktické pravidlo zní: používejte aplikaci jako první filtr a ověřte druh v botanickém zdroji dříve, než necháte rostlinu v dosahu kočky, psa nebo dítěte, a nikdy nic nekonzumujte pouze na základě identifikace z fotografie. Dvě z nejběžnějších pokojových rostlin v Brazílii patří mezi ty, které jsou pro domácí mazlíčky toxické:

Jak správně fotit, aby měla AI vyšší úspěšnost

Správná kompozice fotografie ovlivňuje výsledek rozpoznávání více než výběr samotné aplikace. Zde je šest pravidel podložených vědeckými studiemi:

1. Pokud má rostlina květ, vyfoťte květ. Jde o rozdíl 6 až 29 procentních bodů v úspěšnosti v rámci stejné aplikace podle studie v PLOS ONE.

2. Vždy upřednostněte list před kůrou. Ve studii Schmidta a kolegů to dělalo u určení druhu rozdíl až 32 bodů.

3. Jeden orgán na fotku. Vyfoťte celý list nebo celý květ tak, aby vyplňoval záběr. Nefoťte celou rostlinu z dálky.

4. Čisté pozadí. List položený na bílém papíře nebo na dlani eliminuje prvky na pozadí, které by model mohl zaměnit za část rostliny.

5. Pojďte dostatečně blízko, aby byla vidět žilnatina. Struktura žilnatiny nese polovinu taxonomických informací, které list nabízí.

6. Projděte si prvních 5 návrhů, ne jen ten první. Ve studii Hart et al. (2023) stoupla průměrná úspěšnost aplikací z 69 % u prvního návrhu na 85 % v rámci prvních pěti možností. Správný druh v seznamu obvykle bývá, jen nemusí být na samém vrcholu.

Pokud to aplikace umožňuje, odešlete více fotografií stejné rostliny ukazující různé části. Systémy pracující s více snímky kombinují různé znaky a dosahují přesnějších výsledků.

Existuje bezplatná identifikace rostlin pomocí AI?

Ano, a to ve třech různých podobách.

Zdarma bez limitu, akademického původu. Pl@ntNet je projekt francouzského veřejného výzkumu a neúčtuje si žádné poplatky. Je nejsilnější v oblasti planých a původních rostlin, ukazuje míru spolehlivosti a místo určení jediného výsledku nabízí alternativní kandidáty. Nenabízí péči ani připomínky.

Zdarma a integrované v telefonu. Google Lens je součástí aplikace Google a prohlížeče Chrome, funguje na systémech Android i iPhone a nemá žádný oficiální limit na počet vyhledávání. Ve dvou studiích, které ho testovaly, dosáhl úspěšnosti mezi 55 % a 68 % u prvního návrhu, což je méně než u specializovaných aplikací na rostliny. Podrobný postup najdete v článku jak identifikovat rostliny pomocí Google Lens.

Bezplatný režim s limitem v aplikacích pro péči. Zde se nabídka velmi liší a většina aplikací žádný bezplatný režim nemá. Bloom ho nabízí: získáte 2 identifikace měsíčně a plánování zálivky bez časového omezení. Pro srovnání jednotlivých možností si projděte seznam nejlepší aplikace na rozpoznávání rostlin.

Často kladené otázky

Existuje bezplatný nástroj s AI na rozpoznávání rostlin?

Ano. Pl@ntNet je zcela zdarma a bez limitů, protože jde o veřejný výzkumný projekt. Google Lens je zase integrovaný přímo v aplikaci Google a v prohlížeči Chrome. Existují i aplikace pro péči s bezplatným limitem, ale jsou v menšině. Za první identifikaci si žádná z nich peníze neúčtuje.

Která aplikace na rozpoznávání rostlin je nejpřesnější?

Záleží na tom, co fotíte, a upřímná odpověď zní, že jednoho vítěze vyhlásit nelze. Každá studie testovala jinou flóru: PictureThis vedl u stromů v New Jersey, Pl@ntNet u irských bylin a Plant.id u britské flóry. Porovnávat úspěšnost mezi různými studiemi není metodicky správné.

Identifikuje AI pokojové rostliny stejně dobře jako divoké?

Neexistuje žádná publikovaná studie, která by to měřila. Všechny recenzované testy pracovaly s pouličními stromy nebo divokou flórou, přičemž jeden z nich záměrně vyloučil zahradní druhy. Pokojové rostliny bývají často kultivary bez květů a mimo tréninkový standard, což úspěšnost určení obvykle snižuje.

Dokáže aplikace určit konkrétní kultivar mé rostliny?

Zřídkakdy. Kultivary jako 'Thai Constellation' nebo 'Pink Princess' jsou taxonomicky stejným druhem jako jejich běžné formy. Rozdíl spočívá v barevné mutaci, kterou se model naučil ignorovat jako změnu světla. Očekávejte spíše určení druhu než konkrétního kultivaru.

Mohu použít identifikaci pomocí AI k ověření, zda je rostlina toxická?

Jako první orientační krok ano. Jako konečný verdikt rozhodně ne. V testu z roku 2023 v časopise Clinical Toxicology označila alespoň jedna aplikace 5 z 11 toxických druhů za jedlé. Před umístěním rostliny k mazlíčkům nebo dětem si druh vždy ověřte v botanické literatuře.

Závěr

O výsledku rozhoduje především to, co se dostane na fotografii. V rámci stejné aplikace a u stejné rostliny může záměna kůry za list znamenat rozdíl až 32 procentních bodů v úspěšnosti a záměna listu za květ až 29 bodů. Správná kompozice je tím jediným faktorem, který máte plně pod kontrolou, a přinese vám lepší výsledky než střídání aplikací. Pokud fotíte pokojovky, myslete na to, že pro ně neexistují žádné publikované studie, a berte zobrazené jméno spíše jako nejlepší možný tip než jako definitivní fakt.

Dalším praktickým krokem je vyfotit rostlinu znovu podle šesti výše uvedených pravidel a ověřit, zda se výsledek opakuje. Pokud se název u dvou dobrých fotek téže rostliny liší, model si není jistý a vy potřebujete druhý zdroj informací.

Když se za otázkou po názvu rostliny skrývá spíše „co s ní mám teď dělat“, samotné jméno vám nepomůže. V tu chvíli přichází na řadu aplikace, která po identifikaci nabídne i návod na zalévání a světelné nároky daného druhu. Bloom přesně tohle dělá, k identifikaci využívá Plant.id a je k dispozici pro iPhone.

Pokud neřešíte neznámou rostlinu, ale trápí vás nemocné listy, vaše cesta vede jinudy: začněte článkem jak zjistit, co chybí vaší rostlině.