Datensatz zur afrikanischen Tierwelt#

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 Ultralytics-Datensatz zur afrikanischen Tierwelt ist ein Datensatz zur Objekterkennung mit 1.504 Bildern aus 4 Tierklassen – Büffel, Elefant, Nashorn und Zebra –, die häufig in südafrikanischen Naturschutzgebieten vorkommen. Die Bilder sind bereits in 1.052 Trainings-, 225 Validierungs- und 227 Testbilder aufgeteilt. Beim ersten Trainingsstart wird der Datensatz automatisch heruntergeladen (~100 MB). Dieser kompakte, sofort einsatzbereite Benchmark eignet sich zum Trainieren von Bildverarbeitungs-Modellen für die Beobachtung von Wildtieren, den Naturschutz und die ökologische Forschung.

Datensatzstruktur#

Der Ultralytics-Datensatz zur afrikanischen Tierwelt umfasst 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 den zugehörigen Annotationen.
• Testdatensatz: 227 Bilder, jeweils mit den zugehörigen Annotationen.

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

Anwendungsfälle#

Der Ultralytics-Datensatz zur afrikanischen Tierwelt unterstützt verschiedene Anwendungen der Objekterkennung:

• Wildtierschutz — Erkenne und zähle Büffel, Elefanten, Nashörner und Zebras, um die Überwachung von Tierbeständen in Naturschutzgebieten und Schutzgebieten zu unterstützen.
• Ökologische Forschung — Untersuche die Verbreitung und das Verhalten von Arten in unterschiedlichen Lebensräumen.
• Überwachung zur Bekämpfung der Wilderei — Erkenne Tiere auf Aufnahmen von Fotofallen oder Drohnen in weitläufigen Schutzgebieten.
• Bildung und Prototyping — Ein kompakter Datensatz mit vier Klassen, um Modelltraining und Vorhersagen zu erlernen.

YAML-Datei des Datensatzes#

Eine YAML-Datei definiert die Datensatzkonfiguration, darunter Pfade, Klassen und weitere wichtige Angaben. Für den Datensatz zur afrikanischen Tierwelt 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 100 Epochen lang mit einer Bildgröße von 640 auf dem Datensatz zur afrikanischen Tierwelt zu trainieren, verwende die bereitgestellten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter findest du auf der Trainingsseite des Modells.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Führe nach dem Training mit dem feinabgestimmten Modell Inferenz auf neuen Bildern aus:

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("path/to/best.pt")  # ein feinabgestimmtes Modell für die afrikanische Tierwelt laden

# Inferenz mit dem Modell
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Beispielbilder und Annotationen#

Der Datensatz zur afrikanischen Tierwelt umfasst eine große Vielfalt an Bildern, die unterschiedliche Tierarten und ihre natürlichen Lebensräume zeigen. Im Folgenden findest du Beispielbilder aus dem Datensatz, jeweils mit den zugehörigen Annotationen.

• Mosaikbild: Hier zeigen wir einen Trainingsbatch aus mosaikierten Datensatzbildern. Bei dieser Trainingstechnik werden mehrere Bilder zu einem kombiniert, wodurch die Vielfalt im Batch zunimmt. Das verbessert die Fähigkeit des Modells, auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte zu verallgemeinern.

Zitate, Lizenz und Danksagungen#

Wir möchten der ursprünglichen Autorin des Datensatzes, Bianca Ferreira, dafür danken, dass sie ihn der Community zur Verfügung gestellt hat. Das Ultralytics-Team hat den Datensatz 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 folgenden 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}
}

Häufig gestellte Fragen#