Link to this sectionAfrican Wildlife Dataset#

Das Ultralytics African Wildlife Dataset ist ein Objekterkennungs-Datensatz mit 1.504 Bildern aus 4 Tierklassen – Büffel, Elefant, Nashorn und Zebra –, die häufig in südafrikanischen Naturschutzgebieten vorkommen. Die Bilder sind in 1.052 Trainings-, 225 Validierungs- und 227 Testbilder unterteilt, und der Datensatz wird beim ersten Training automatisch heruntergeladen (~100 MB). Er ist ein kompakter, einsatzbereiter Benchmark für das Training von Computer-Vision-Modellen für Wildtierbeobachtung, Naturschutz und ökologische Forschung.

Link to this sectionDatensatzstruktur#

Das Ultralytics African Wildlife Dataset enthält 1.504 Bilder in 4 Klassen (Büffel, Elefant, Nashorn und Zebra), die in drei Teilmengen unterteilt sind:

• Trainingsset: 1.052 Bilder, jeweils mit den entsprechenden Annotationen.
• Validierungsset: 225 Bilder, jeweils mit dazugehörigen Annotationen.
• Testset: 227 Bilder, jeweils mit dazugehörigen Annotationen.

Erkunde das African Wildlife auf der Ultralytics Plattform, um die Bilder mit ihren Annotations-Overlays zu durchsuchen, die Klassenverteilung und Bounding-Box-Heatmaps im Tab Charts zu sehen und es zu klonen, um dein eigenes Modell in der Cloud zu trainieren.

Link to this sectionAnwendungen#

Das Ultralytics African Wildlife Dataset unterstützt eine Reihe von Objekterkennungs-Anwendungen:

• Wildtierschutz – erkenne und zähle Büffel, Elefanten, Nashörner und Zebras, um die Überwachung von Tierpopulationen in Naturschutzgebieten und geschützten Arealen zu unterstützen.
• Ökologische Forschung – untersuche die Artenverteilung und das Verhalten in verschiedenen Lebensräumen.
• Überwachung gegen Wilderei – markiere Tiere in Wildkamera- oder Drohnenaufnahmen über großen geschützten Gebieten.
• Bildung und Prototyping – ein kompakter Datensatz mit vier Klassen zum Erlernen von Modelltraining und Vorhersage.

Link to this sectionDatensatz-YAML#

Eine YAML-Datei definiert die Dataset-Konfiguration, einschließlich Pfaden, Klassen und anderen relevanten Details. Für das African Wildlife Dataset befindet sich die african-wildlife.yaml-Datei 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

Link to this sectionVerwendung#

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

Sobald das Training abgeschlossen ist, führe die Inferenz mit dem feinabgestimmten Modell 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")

Link to this sectionBeispielbilder und Annotationen#

Das African Wildlife Dataset umfasst eine große Vielfalt an Bildern, die verschiedene Tierarten und ihre natürlichen Lebensräume zeigen. Nachfolgend findest du Beispiele für Bilder aus dem Datensatz, jeweils begleitet von den entsprechenden Annotationen.

• Mosaik-Bild: Hier präsentieren wir einen Trainingsbatch, der aus mosaikartig zusammengesetzten Datensatzbildern besteht. Mosaicing, eine Trainingstechnik, kombiniert mehrere Bilder zu einem, was die Batch-Diversität bereichert. Diese Methode hilft, die Fähigkeit des Modells zu verbessern, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verallgemeinern.

Link to this sectionZitate, Lizenz und Danksagungen#

Wir möchten der ursprünglichen Dataset-Autorin, 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. Das Quelldatenset gibt keine Lizenz an.

Wenn du diesen Datensatz in deiner Forschung verwendest, zitiere ihn bitte unter Verwendung der genannten Details:

@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}
}

Link to this sectionFAQ#

Link to this sectionWas ist der African Wildlife Dataset und wie kann er in Computer-Vision-Projekten eingesetzt werden?#

Das African Wildlife Dataset ist ein Objekterkennungs-Datensatz mit 1.504 Bildern in 4 Tierklassen – Büffel, Elefant, Nashorn und Zebra –, die in südafrikanischen Naturschutzgebieten vorkommen. Es wird zum Trainieren und Evaluieren von Modellen zur Identifizierung von afrikanischen Wildtieren auf Bildern verwendet, was den Wildtierschutz, die ökologische Forschung und die Überwachung in Naturschutzgebieten unterstützt. Es dient auch als zugängliche Ressource für Studenten und Forscher, die sich mit Computer Vision beschäftigen.

Link to this sectionWie viele Bilder und Klassen enthält das African Wildlife Dataset?#

Das Ultralytics African Wildlife Dataset enthält 1.504 Bilder in 4 Klassen: Büffel, Elefant, Nashorn und Zebra. Die Bilder sind in 1.052 Trainings-, 225 Validierungs- und 227 Testbilder unterteilt, und der Datensatz wird beim ersten Training automatisch (~100 MB) heruntergeladen.

Link to this sectionWie trainiere ich ein YOLO26 Modell mit dem African Wildlife Dataset?#

Du kannst ein YOLO26 Modell mit dem African Wildlife Dataset trainieren, indem du die african-wildlife.yaml Konfigurationsdatei verwendest. Unten findest du ein Beispiel, wie du das YOLO26n Modell für 100 Epochen mit einer Bildgröße von 640 trainierst:

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)

Für weitere Trainingsparameter und Optionen, siehe die Training Dokumentation.

Link to this sectionWo finde ich die YAML-Konfigurationsdatei für den African Wildlife Dataset?#

Die YAML-Konfigurationsdatei für das African Wildlife Dataset, namens african-wildlife.yaml, findest du unter diesem GitHub-Link. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich der Pfade, Klassen und anderer Details, die für das Training von Machine-Learning-Modellen entscheidend sind.

Link to this sectionUnter welcher Lizenz wird das African Wildlife Dataset veröffentlicht?#

Das Quelldatenset gibt keine Lizenz an. Es wurde ursprünglich von Bianca Ferreira auf Kaggle veröffentlicht und von Ultralytics für die nahtlose Verwendung mit Ultralytics YOLO-Modellen angepasst. Wenn du das Datenset für deine Forschung verwendest, zitiere es bitte unter Verwendung des BibTeX-Eintrags im Abschnitt Citations.