African-Wildlife-Datensatz

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 ihre Merkmale. Als wesentlicher Bestandteil für das Training von Computer Vision-Algorithmen unterstützt dieser Datensatz die Identifizierung von Tieren in verschiedenen Lebensräumen, von Zoos bis hin zu Wäldern, und fördert die Wildtierforschung.

Datensatzstruktur

Der Datensatz zur Erkennung afrikanischer Wildtierobjekte ist in drei Teilmengen unterteilt:

• Trainingsmenge: Enthält 1052 Bilder, jeweils mit entsprechenden Annotationen.
• Validierungsmenge: Beinhaltet 225 Bilder, jeweils mit zugehörigen Annotationen.
• Testmenge: Umfasst 227 Bilder, jeweils mit zugehörigen Annotationen.

Anwendungen

Dieser Datensatz kann für verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Forschung verwendet werden. Speziell kann er zum Training und zur Bewertung von Modellen zur Identifizierung von afrikanischen Wildtieren auf Bildern genutzt werden, was Anwendungen im Bereich Naturschutz, ökologische Forschung und Überwachungsmaßnahmen in Naturschutzgebieten und Schutzgebieten findet. Darüber hinaus dient er als wertvolle Bildungsressource, die es Schülern und Forschern ermöglicht, die Merkmale und Verhaltensweisen verschiedener Tierarten zu studieren und zu verstehen.

Datensatz-YAML

Eine YAML (Yet Another Markup Language)-Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassen und anderen relevanten Details. Für den afrikanischen Wildtier-Datensatz 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 afrikanischen Wildtier-Datensatz 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)

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 afrikanische Wildtier-Datensatz umfasst eine große Vielfalt an Bildern, die verschiedene Tierarten und ihre natürlichen Lebensräume zeigen. Nachfolgend sind Beispiele von Bildern aus dem Datensatz aufgeführt, jeweils begleitet von den entsprechenden Annotationen.

• Mosaik-Bild: Hier präsentieren wir einen Trainings-Batch, der aus Mosaik-Datensatzbildern besteht. Mosaicing, eine Trainingstechnik, kombiniert mehrere Bilder zu einem, was die Vielfalt des Batches bereichert. Diese Methode trägt dazu bei, die Fähigkeit des Modells zur Generalisierung über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu verbessern.

Dieses Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im afrikanischen Wildtier-Datensatz und unterstreicht die Vorteile der Einbindung von Mosaicing während des Trainingsprozesses.

Zitierungen, 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. Dieser Datensatz ist unter der AGPL-3.0 Lizenz verfügbar.

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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

FAQ

Was ist der afrikanische Wildtier-Datensatz und wie kann er in Computer-Vision-Projekten verwendet werden?

The African Wildlife Dataset includes images of four common animal species found in South African nature reserves: buffalo, elephant, rhino, and zebra. It is a valuable resource for training computer vision algorithms in object detection and animal identification. The dataset supports various tasks like object tracking, research, and conservation efforts. For more information on its structure and applications, refer to the Dataset Structure section and Applications of the dataset.

Wie trainiere ich ein YOLO26-Modell mit dem afrikanischen Wildtier-Datensatz?

Du kannst ein YOLO26-Modell auf dem afrikanischen Wildtier-Datensatz trainieren, indem du die Konfigurationsdatei african-wildlife.yaml verwendest. Nachfolgend findest du ein Beispiel, wie man das YOLO26n-Modell für 100 Epochen mit einer Bildgröße von 640 trainiert:

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 zusätzliche Trainingsparameter und Optionen beachte bitte die Training-Dokumentation.

Wo finde ich die YAML-Konfigurationsdatei für den afrikanischen Wildtier-Datensatz?

Die YAML-Konfigurationsdatei für den afrikanischen Wildtier-Datensatz mit dem Namen african-wildlife.yaml findest du unter diesem GitHub-Link. Diese Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassen und anderen Details, die für das Training von Machine Learning-Modellen entscheidend sind. Siehe den Abschnitt Datensatz-YAML für weitere Details.

Kann ich Beispielbilder und Annotationen aus dem afrikanischen Wildtier-Datensatz sehen?

Ja, der afrikanische Wildtier-Datensatz enthält eine große Vielfalt an Bildern, die verschiedene Tierarten in ihrem natürlichen Lebensraum zeigen. Du kannst Beispielbilder und die entsprechenden Annotationen im Abschnitt Beispielbilder und Annotationen ansehen. Dieser Abschnitt veranschaulicht auch die Verwendung der Mosaicing-Technik, um mehrere Bilder zu einem zu kombinieren und so die Batch-Vielfalt zu erhöhen, was die Generalisierungsfähigkeit des Modells verbessert.

Wie kann der afrikanische Wildtier-Datensatz zur Unterstützung von Naturschutz und Forschung genutzt werden?

Der afrikanische Wildtier-Datensatz ist ideal zur Unterstützung von Naturschutz und Forschung geeignet, da 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 untersuchen und Naturschutzbedürfnisse erkennen. Darüber hinaus kann der Datensatz für Bildungszwecke genutzt werden, um Schülern und Forschern dabei zu helfen, die Merkmale und Verhaltensweisen verschiedener Tierarten zu verstehen. Weitere Details findest du im Abschnitt Anwendungen.