مجموعة بيانات الحياة البرية الأفريقية#

1,483

african wildlife

ultralytics

publicDetect

Object detection dataset with 1,400+ images of African wildlife including buffalo, elephant, rhino, and zebra. Ideal for training wildlife monitoring and conservation AI models.

74 classes194.1 MBApr 28, 2026

buffaloelephantrhinozebra

مجموعة بيانات Ultralytics African Wildlife هي مجموعة بيانات object detection تضم 1,504 صور موزعة على 4 فئات من الحيوانات - الجاموس، والفيل، وحيد القرن، والمارخور - والتي توجد عادة في محميات الطبيعة في جنوب إفريقيا. يتم تقسيم الصور مسبقاً إلى 1,052 صورة للتدريب، و225 للتحقق، و227 للاختبار، ويتم تنزيل مجموعة البيانات تلقائياً (حوالي 100 ميجابايت) عند التدريب لأول مرة. إنها معيار مدمج وجاهز للاستخدام لتدريب نماذج computer vision لمراقبة الحياة البرية، والحفظ، والبحث البيئي.

هيكل مجموعة البيانات#

تحتوي مجموعة بيانات Ultralytics African Wildlife على 1,504 صورة عبر 4 فئات (الجاموس، والفيل، ووحيد القرن، والحمار الوحشي)، مقسمة مسبقًا إلى ثلاث مجموعات فرعية:

• مجموعة التدريب: 1,052 صورة، كل منها مع التوضيحات المقابلة لها.
• مجموعة التحقق من الصحة: 225 صورة، كل منها مع توضيحات مقترنة.
• مجموعة الاختبار: 227 صورة، كل منها مع توضيحات مقترنة.

استكشف African Wildlife on Ultralytics Platform لتصفح الصور مع طبقات التعليقات التوضيحية الخاصة بها، وعرض توزيع الفئات الخرائط الحرارية للمربعات المحيطة في علامة التبويب Charts، ونسخها لتدريب نموذجك الخاص في السحابة.

التطبيقات#

تدعم مجموعة بيانات Ultralytics African Wildlife مجموعة من تطبيقات object detection:

• حفظ الحياة البرية — اكتشاف وعد الجاموس، والأفيال، ووحيد القرن، والحمير الوحشية لدعم animal population monitoring في المحميات الطبيعية والمناطق المحمية.
• البحوث البيئية - دراسة توزيع الأنواع وسلوكها عبر الموائل المختلفة.
• مراقبة مكافحة الصيد الجائر - تحديد الحيوانات في لقطات كاميرات المراقبة أو الطائرات بدون طيار فوق المناطق المحمية الكبيرة.
• التعليم والنماذج الأولية — مجموعة بيانات مدمجة مكونة من أربع فئات لتعلم model training وprediction.

YAML مجموعة البيانات#

يحدد ملف YAML تكوين مجموعة البيانات، بما في ذلك المسارات والفئات التفاصيل الأخرى ذات الصلة. بالنسبة لمجموعة بيانات African Wildlife، يوجد ملف african-wildlife.yaml على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# African Wildlife dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/african-wildlife
# Example usage: yolo train data=african-wildlife.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── african-wildlife ← downloads here (100 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: african-wildlife # dataset root dir
train: images/train # train images (relative to 'path') 1052 images
val: images/val # val images (relative to 'path') 225 images
test: images/test # test images (relative to 'path') 227 images

# Classes
names:
  0: buffalo
  1: elephant
  2: rhino
  3: zebra

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/african-wildlife.zip

الاستخدام#

لتدريب نموذج YOLO26n على مجموعة بيانات African Wildlife لمدة 100 epochs بحجم صورة يبلغ 640، استخدم نماذج الكود المقدمة. للحصول على قائمة شاملة بالمستجدات المتاحة، راجع صفحة Training الخاصة بالنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

بمجرد التدريب، قم بتشغيل inference باستخدام النموذج المضبط بدقة على صور جديدة:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an African wildlife fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

صور وشروحات توضيحية عينة#

تتكون مجموعة بيانات African Wildlife من مجموعة متنوعة من الصور التي تعرض أنواعًا مختلفة من الحيوانات وموائلها الطبيعية. فيما يلي أمثلة على صور من مجموعة البيانات، كل منها مصحوب بالتوضيحات المقابلة لها.

• صورة مفسفسة (Mosaiced Image): هنا، نقدم دفعة تدريب تتكون من صور مجموعة بيانات مفسفسة. التفسيف (Mosaicing)، وهو أسلوب تدريب، يجمع صوراً متعددة في صورة واحدة، مما يثري تنوع الدفعة. تساعد هذه الطريقة في تعزيز قدرة النموذج على التعميم عبر أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

الاقتباسات، والترخيص، والتقديرات#

نود أن نشكر مؤلف مجموعة البيانات الأصلي، Bianca Ferreira، لإصدار مجموعة البيانات هذه للمجتمع. قام فريق Ultralytics بتحديثها وتكييفها داخلياً بحيث يمكن استخدامها بسلاسة مع نماذج Ultralytics YOLO. مجموعة البيانات المصدر لا تحدد ترخيصاً.

إذا كنت تستخدم مجموعة البيانات هذه في بحثك، فيرجى الاستشهاد بها باستخدام التفاصيل المذكورة:

@dataset{Ferreira_African_Wildlife_Ultralytics_Adaptation_2024,
    author  = {Ferreira, Bianca},
    title   = {African Wildlife Detection Dataset (Ultralytics YOLO Adaptation)},
    url     = {https://docs.ultralytics.com/datasets/detect/african-wildlife},
    note    = {Original dataset by Bianca Ferreira; adapted for Ultralytics YOLO by Glenn Jocher and Muhammad Rizwan Munawar},
    license = {Not specified},
    version = {1.0.0},
    year    = {2024}
}

الأسئلة الشائعة#