مجموعة بيانات الحياة البرية الأفريقية

تعرض مجموعة البيانات هذه أربع فئات حيوانية شائعة توجد عادة في المحميات الطبيعية في جنوب إفريقيا. يتضمن صورا للحياة البرية الأفريقية مثل الجاموس ووحيد القرن والحمار الوحشي ، مما يوفر رؤى قيمة حول خصائصها. تساعد مجموعة البيانات هذه ، الضرورية لتدريب خوارزميات الرؤية الحاسوبية ، في تحديد في الموائل المختلفة ، من حدائق إلى الغابات ، وتدعم أبحاث الحياة البرية.

هيكل مجموعة البيانات

تنقسم مجموعة بيانات الكشف عن كائنات الحياة البرية الأفريقية إلى ثلاث مجموعات فرعية:

• مجموعة التدريب: تحتوي على 1052 صورة ، لكل منها التعليقات التوضيحية المقابلة.
• مجموعة التحقق من الصحة: تتضمن 225 صورة، تحتوي كل منها على تعليقات توضيحية مقترنة.
• مجموعة الاختبار: تضم 227 صورة ، لكل منها تعليقات توضيحية مقترنة.

التطبيقات

يمكن تطبيق مجموعة البيانات هذه في مهام رؤية الكمبيوتر المختلفة مثل اكتشاف الأشياء وتتبع الكائنات والبحث. على وجه التحديد ، يمكن استخدامه لتدريب وتقييم النماذج لتحديد كائنات الحياة البرية الأفريقية في الصور ، والتي يمكن أن يكون لها تطبيقات في الحفاظ على الحياة البرية ، والبحوث البيئية ، وجهود الرصد في المحميات الطبيعية والمناطق المحمية. بالإضافة إلى ذلك ، يمكن أن يكون بمثابة مورد قيم للأغراض التعليمية ، مما يمكن الطلاب والباحثين من دراسة وفهم خصائص وسلوكيات الأنواع الحيوانية المختلفة.

مجموعة البيانات YAML

يحدد ملف YAML (لغة ترميز أخرى) تكوين مجموعة البيانات ، بما في ذلك المسارات والفئات والتفاصيل الأخرى ذات الصلة. بالنسبة لمجموعة بيانات الحياة البرية الأفريقية، african-wildlife.yaml يقع الملف في https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # test images (relative to 'path') 227 images

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

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

استخدام

لتدريب أ YOLOv8n نموذج على مجموعة بيانات الحياة البرية الأفريقية ل 100 حقبة بحجم صورة 640 ، استخدم عينات التعليمات البرمجية المقدمة. للحصول على قائمة شاملة بالمعلمات المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolov8n.pt epochs=100 imgsz=640

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/best.pt')  # load a brain-tumor fine-tuned model

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

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/african-wildlife-sample.jpg"

عينة من الصور والتعليقات التوضيحية

تضم مجموعة بيانات الحياة البرية الأفريقية مجموعة واسعة من الصور التي تعرض أنواعا حيوانية متنوعة وموائلها الطبيعية. فيما يلي أمثلة لصور من مجموعة البيانات ، كل منها مصحوب بالتعليقات التوضيحية المقابلة لها.

• صورة فسيفسائية: هنا ، نقدم دفعة تدريب تتكون من صور مجموعة بيانات فسيفسائية. تجمع الفسيفساء ، وهي تقنية تدريب ، بين صور متعددة في صورة واحدة ، مما يثري تنوع الدفعات. تساعد هذه الطريقة في تحسين قدرة النموذج على التعميم عبر أحجام الكائنات المختلفة ونسب العرض إلى الارتفاع والسياقات.

يوضح هذا المثال تنوع وتعقيد الصور في مجموعة بيانات الحياة البرية الأفريقية ، مع التركيز على فوائد تضمين الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر

تم إصدار مجموعة البيانات المتاحة تحت AGPL-3.0 الترخيص.

التعليقات