Este artículo presenta WildFit, un novedoso marco de adaptación, para abordar la baja precisión de los modelos de aprendizaje profundo en dispositivos IoT con recursos limitados, utilizando una cámara trampa para fauna silvestre como ejemplo. WildFit genera datos de entrenamiento mediante síntesis en el dispositivo, centrándose en las variaciones de fondo, y utiliza una técnica de ajuste fino con detección de deriva para actualizar el modelo solo cuando es necesario. Esto mantiene la precisión en la clasificación de especies incluso con limitaciones de conectividad y energía. La síntesis con detección de fondo es más eficiente que los métodos existentes, y el ajuste fino con detección de deriva mejora la precisión y reduce el número de actualizaciones. Como resultado, WildFit supera a los métodos de adaptación de dominio existentes entre un 20 % y un 35 % y consume solo 11,2 Wh de energía en 37 días.
