مجموعة بيانات الحياة البرية الأفريقية#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

مجموعة بيانات الحياة البرية الأفريقية من Ultralytics هي مجموعة بيانات لـكشف الأجسام تضم 1,504 صورة عبر 4 فئات حيوانية — الجاموس والفيل ووحيد القرن والحمار الوحشي — التي توجد عادةً في المحميات الطبيعية بجنوب أفريقيا. قُسّمت الصور مسبقًا إلى 1,052 صورة للتدريب و225 صورة للتحقق و227 صورة للاختبار، وتُنزَّل مجموعة البيانات تلقائيًا (~100 MB) عند التدريب للمرة الأولى. وهي معيار مدمج وجاهز للاستخدام لتدريب نماذج الرؤية الحاسوبية لمراقبة الحياة البرية والحفاظ عليها وإجراء البحوث البيئية.

بنية مجموعة البيانات#

تحتوي مجموعة بيانات الحياة البرية الأفريقية من Ultralytics على 1,504 صورة موزعة على 4 فئات (الجاموس والفيل ووحيد القرن والحمار الوحشي)، ومقسمة مسبقًا إلى ثلاث مجموعات فرعية:

• مجموعة التدريب: 1,052 صورة، لكل منها تعليقات توضيحية مقابلة.
• مجموعة التحقق: 225 صورة، لكل منها تعليقات توضيحية مقترنة.
• مجموعة الاختبار: 227 صورة، لكل منها تعليقات توضيحية مقترنة.

استكشف الحياة البرية الأفريقية على منصة Ultralytics لتصفح الصور مع طبقات التعليقات التوضيحية الخاصة بها، وعرض توزيع الفئات والمخططات الحرارية لمربعات الإحاطة في علامة التبويب المخططات، واستنساخها لتدريب نموذجك الخاص في السحابة.

التطبيقات#

تدعم مجموعة بيانات الحياة البرية الأفريقية من Ultralytics مجموعة من تطبيقات كشف الأجسام:

• الحفاظ على الحياة البرية — اكتشاف الجاموس والفيل ووحيد القرن والحمار الوحشي وعدّها لدعم مراقبة أعداد الحيوانات في المحميات الطبيعية والمناطق المحمية.
• البحوث البيئية — دراسة توزيع الأنواع وسلوكها عبر موائل مختلفة.
• مراقبة مكافحة الصيد الجائر — رصد الحيوانات في لقطات مصائد الكاميرات أو الطائرات المسيّرة فوق مناطق محمية واسعة.
• التعليم وإنشاء النماذج الأولية — مجموعة بيانات مدمجة من أربع فئات لتعلّم تدريب النماذج والتنبؤ.

YAML مجموعة البيانات#

يعرّف ملف YAML إعدادات مجموعة البيانات، بما في ذلك المسارات والفئات والتفاصيل الأخرى ذات الصلة. وبالنسبة إلى مجموعة بيانات الحياة البرية الأفريقية، 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 الحياة البرية الأفريقية لمدة 100 حقبة وبحجم صورة يبلغ 640، استخدم نماذج التعليمات البرمجية المتوفرة. للحصول على قائمة شاملة بالمعلمات المتاحة، راجع صفحة التدريب 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)

بعد التدريب، شغّل الاستدلال باستخدام النموذج المُحسَّن 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")

الصور والتعليقات التوضيحية النموذجية#

تتضمن مجموعة بيانات الحياة البرية الأفريقية مجموعة واسعة من الصور التي تعرض أنواعًا متنوعة من الحيوانات وموائلها الطبيعية. فيما يلي أمثلة على صور من مجموعة البيانات، وكل صورة مرفقة بتعليقاتها التوضيحية المقابلة.

• صورة فسيفسائية: نعرض هنا دفعة تدريب تتكون من صور فسيفسائية من مجموعة البيانات. وتجمع الفسيفساء، وهي تقنية تدريب، صورًا متعددة في صورة واحدة، مما يزيد تنوع الدفعة. تساعد هذه الطريقة على تحسين قدرة النموذج على التعميم عبر أحجام الأجسام ونسب العرض إلى الارتفاع والسياقات المختلفة.

الاقتباسات والترخيص والشكر#

نود أن نشكر مؤلفة مجموعة البيانات الأصلية، Bianca Ferreira، على إتاحة هذه المجموعة للمجتمع. حدّث فريق Ultralytics المجموعة وكيّفها داخليًا بحيث يمكن استخدامها بسلاسة مع نماذج Ultralytics YOLO. لا تحدد مجموعة البيانات المصدر ترخيصًا.

إذا استخدمت مجموعة البيانات هذه في بحثك، يُرجى الاقتباس منها 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#