African Wildlife Dataset
Dieser Datensatz zeigt vier gängige Tierklassen, die typischerweise in südafrikanischen Naturschutzgebieten vorkommen. Er enthält Bilder von afrikanischen Wildtieren wie Büffeln, Elefanten, Nashörnern und Zebras und bietet wertvolle Einblicke in deren Eigenschaften. Dieser Datensatz ist essentiell für das Training von Computer-Vision-Algorithmen und unterstützt die Identifizierung von Tieren in verschiedenen Lebensräumen, von Zoos bis hin zu Wäldern, und unterstützt die Wildtierforschung.
Ansehen: Erkennung afrikanischer Wildtiere mit Ultralytics YOLO11
Dataset-Struktur
Der Datensatz zur Erkennung afrikanischer Wildtiere ist in drei Teilmengen unterteilt:
- Trainingssatz: Enthält 1052 Bilder, jedes mit entsprechenden Annotationen.
- Validierungsset: Enthält 225 Bilder, jedes mit gepaarten Annotationen.
- Testset: Umfasst 227 Bilder, jedes mit gepaarten Annotationen.
Anwendungen
Dieser Datensatz kann in verschiedenen Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Forschung eingesetzt werden. Insbesondere kann er verwendet werden, um Modelle für die Identifizierung afrikanischer Wildtierobjekte in Bildern zu trainieren und zu evaluieren, was Anwendungen im Bereich des Naturschutzes, der ökologischen Forschung und der Überwachungsbemühungen in Naturschutzgebieten und Schutzgebieten haben kann. Darüber hinaus kann er als wertvolle Ressource für Bildungszwecke dienen und es Studenten und Forschern ermöglichen, die Eigenschaften und Verhaltensweisen verschiedener Tierarten zu studieren und zu verstehen.
Datensatz-YAML
Eine YAML-Datei (Yet Another Markup Language) definiert die Dataset-Konfiguration, einschließlich Pfade, Klassen und andere relevante Details. Für den afrikanischen Wildtier-Datensatz lautet die african-wildlife.yaml
Datei befindet sich unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.
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
Nutzung
Um ein YOLO11n-Modell auf dem African Wildlife-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die bereitgestellten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter finden Sie auf der Trainings-Seite des Modells.
Trainingsbeispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640
Inferenz Beispiel
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"
sample_images und Anmerkungen
Der afrikanische Wildtier-Datensatz umfasst eine Vielzahl von Bildern, die verschiedene Tierarten und ihre natürlichen Lebensräume zeigen. Im Folgenden finden Sie Beispiele für Bilder aus dem Datensatz, jeweils mit den entsprechenden Anmerkungen.
- Mosaikbild: Hier präsentieren wir einen Trainings-Batch, der aus Mosaik-Datensatzbildern besteht. Mosaicing, eine Trainingstechnik, kombiniert mehrere Bilder zu einem, wodurch die Batch-Vielfalt erhöht wird. Diese Methode trägt dazu bei, die Fähigkeit des Modells zu verbessern, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren.
Dieses Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im afrikanischen Wildtier-Datensatz und unterstreicht die Vorteile der Einbeziehung von Mosaicing während des Trainingsprozesses.
Zitate und Danksagungen
Der Datensatz wurde unter der AGPL-3.0-Lizenz veröffentlicht.
FAQ
Was ist der African Wildlife Datensatz und wie kann er in Computer Vision Projekten eingesetzt werden?
Der African Wildlife Dataset enthält Bilder von vier häufigen Tierarten, die in südafrikanischen Naturschutzgebieten vorkommen: Büffel, Elefant, Nashorn und Zebra. Er ist eine wertvolle Ressource für das Training von Computer-Vision-Algorithmen in der Objekterkennung und Tieridentifizierung. Der Datensatz unterstützt verschiedene Aufgaben wie Objektverfolgung, Forschung und Naturschutzbemühungen. Weitere Informationen über seine Struktur und Anwendungen finden Sie im Abschnitt Datensatzstruktur und Anwendungen des Datensatzes.
Wie trainiere ich ein YOLO11-Modell mit dem African Wildlife Dataset?
Sie können ein YOLO11-Modell auf dem African Wildlife Dataset trainieren, indem Sie das african-wildlife.yaml
Konfigurationsdatei. Nachfolgend finden Sie ein Beispiel, wie Sie das YOLO11n-Modell für 100 Epochen mit einer Bildgröße von 640 trainieren können:
Beispiel
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640
Weitere Trainingsparameter und -optionen finden Sie in der Training-Dokumentation.
Wo finde ich die YAML-Konfigurationsdatei für das African Wildlife Dataset?
Die YAML-Konfigurationsdatei für den African Wildlife Datensatz, genannt african-wildlife.yaml
, finden Sie unter diesem GitHub-Link. Diese Datei definiert die Datensatzkonfiguration, einschließlich Pfade, Klassen und andere Details, die für das Training entscheidend sind maschinelles Lernen Modelle. Siehe den Datensatz-YAML Abschnitt für weitere Details.
Kann ich Beispielbilder und Annotationen aus dem African Wildlife Dataset sehen?
Ja, das African Wildlife Dataset enthält eine Vielzahl von Bildern, die verschiedene Tierarten in ihren natürlichen Lebensräumen zeigen. Sie können sample_images und die dazugehörigen Anmerkungen im Abschnitt sample_images und Anmerkungen ansehen. Dieser Abschnitt veranschaulicht auch die Verwendung der Mosaicing-Technik, um mehrere Bilder zu einem zusammenzufügen, um die Batch-Vielfalt zu erhöhen und die Generalisierungsfähigkeit des Modells zu verbessern.
Wie kann der African Wildlife Dataset zur Unterstützung des Naturschutzes und der Forschung eingesetzt werden?
Der African Wildlife Dataset eignet sich ideal zur Unterstützung des Naturschutzes und der Forschung, indem er das Training und die Bewertung von Modellen zur Identifizierung afrikanischer Wildtiere in verschiedenen Lebensräumen ermöglicht. Diese Modelle können bei der Überwachung von Tierpopulationen helfen, ihr Verhalten studieren und Schutzbedürfnisse erkennen. Darüber hinaus kann der Datensatz für Bildungszwecke verwendet werden, um Studenten und Forschern zu helfen, die Eigenschaften und Verhaltensweisen verschiedener Tierarten zu verstehen. Weitere Details finden Sie im Abschnitt Anwendungen.