Datensatz für afrikanische Wildtiere#

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

Der African Wildlife Dataset von Ultralytics ist ein Datensatz zur Objekterkennung mit 1.504 Bildern aus 4 Tierklassen – Büffel, Elefant, Nashorn und Zebra –, die häufig in südafrikanischen Wildreservaten vorkommen. Die Bilder sind bereits in 1.052 Trainingsbilder, 225 Validierungsbilder und 227 Testbilder aufgeteilt. Der Datensatz wird beim ersten Training automatisch heruntergeladen (~100 MB). Er ist ein kompakter, sofort einsatzbereiter Maßstab zum Trainieren von Computer-Vision-Modellen für die Überwachung von Wildtieren, den Naturschutz und die ökologische Forschung.

Datensatzstruktur#

Der African Wildlife Dataset von Ultralytics enthält 1.504 Bilder aus 4 Klassen (Büffel, Elefant, Nashorn und Zebra), die bereits in drei Teilmengen aufgeteilt sind:

• Trainingsdatensatz: 1.052 Bilder, jeweils mit den zugehörigen Annotationen.
• Validierungsdatensatz: 225 Bilder, jeweils mit zugehörigen Annotationen.
• Testdatensatz: 227 Bilder, jeweils mit zugehörigen Annotationen.

Entdecke African Wildlife auf der Ultralytics Platform, um die Bilder mit ihren Annotationseinblendungen zu durchsuchen, die Klassenverteilung und Heatmaps der Begrenzungsrahmen im Tab Diagramme anzuzeigen und den Datensatz zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Anwendungen#

Der African Wildlife Dataset von Ultralytics unterstützt zahlreiche Anwendungen der Objekterkennung:

• Wildtierschutz – Erkenne und zähle Büffel, Elefanten, Nashörner und Zebras, um das Überwachen von Tierpopulationen in Wildreservaten und Schutzgebieten zu unterstützen.
• Ökologische Forschung – Untersuche die Verbreitung und das Verhalten von Arten in verschiedenen Lebensräumen.
• Überwachung zur Bekämpfung der Wilderei – Markiere Tiere in Aufnahmen von Fotofallen oder Drohnen aus großen Schutzgebieten.
• Bildung und Prototyping – ein kompakter Datensatz mit vier Klassen zum Erlernen von Modelltraining und Vorhersage.

Dataset-YAML#

Eine YAML-Datei definiert die Konfiguration des Datensatzes, einschließlich Pfaden, Klassen und weiterer relevanter Details. Für den African Wildlife Dataset befindet sich die Datei african-wildlife.yaml unter 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

Verwendung#

Um ein YOLO26n-Modell auf dem African Wildlife Dataset 100 Epochen lang mit einer Bildgröße von 640 zu trainieren, verwende die bereitgestellten Codebeispiele. Eine vollständige Liste der verfügbaren Parameter findest du auf der Seite Training des Modells.

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)

Führe nach dem Training mit dem fein abgestimmten Modell eine Inferenz auf neuen Bildern aus:

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")

Beispielbilder und Annotationen#

Der African Wildlife Dataset umfasst eine große Vielfalt an Bildern, die unterschiedliche Tierarten und ihre natürlichen Lebensräume zeigen. Nachfolgend findest du Beispiele aus dem Datensatz, jeweils mit den zugehörigen Annotationen.

• Mosaikbild: Hier zeigen wir einen Trainingsstapel aus mosaikierten Datensatzbildern. Beim Mosaikieren, einer Trainingstechnik, werden mehrere Bilder zu einem einzigen Bild kombiniert, wodurch die Vielfalt innerhalb des Stapels erhöht wird. Diese Methode verbessert die Fähigkeit des Modells, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verallgemeinern.

Zitate, Lizenz und Danksagungen#

Wir möchten der ursprünglichen Autorin des Datensatzes, Bianca Ferreira, dafür danken, dass sie diesen Datensatz der Community zur Verfügung gestellt hat. Das Ultralytics-Team hat ihn intern aktualisiert und angepasst, damit er nahtlos mit Ultralytics YOLO-Modellen verwendet werden kann. Für den Quelldatensatz ist keine Lizenz angegeben.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte anhand der genannten Angaben:

@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}
}

FAQ#