Link to this sectionAfrican 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 liefert wertvolle Einblicke in ihre Merkmale. Dieser Datensatz ist für das Training von computer vision Algorithmen unerlässlich und hilft bei der Identifizierung von Tieren in verschiedenen Lebensräumen, von Zoos bis hin zu Wäldern, und unterstützt die Wildtierforschung.

Link to this sectionDatensatzstruktur#

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

• Trainingsset: Enthält 1052 Bilder, jeweils mit entsprechenden Annotationen.
• Validierungsset: Enthält 225 Bilder, jeweils mit dazugehörigen Annotationen.
• Testset: Umfasst 227 Bilder, jeweils mit dazugehörigen Annotationen.

Link to this sectionAnwendungen#

Dieser Datensatz kann in verschiedenen Computer-Vision-Aufgaben wie object detection, Objektverfolgung und Forschung angewendet werden. Insbesondere kann er zum Training und zur Evaluierung von Modellen zur Identifizierung afrikanischer Wildtiere in Bildern verwendet werden, was Anwendungen im Bereich Naturschutz, ökologische Forschung und Überwachungsmaßnahmen in Naturschutzgebieten und Schutzgebieten finden kann. Darüber hinaus kann er als wertvolle Ressource für Bildungszwecke dienen, die es Studenten und Forschern ermöglicht, die Merkmale und das Verhalten verschiedener Tierarten zu studieren und zu verstehen.

Link to this sectionDatensatz-YAML#

Eine YAML (Yet Another Markup Language) Datei definiert die Datensatzkonfiguration, einschließlich Pfaden, Klassen und anderen relevanten Details. Für den 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 epochs 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")

Link to this sectionBeispielbilder und Annotationen#

Der African Wildlife Dataset 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 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.

Dieses Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im African Wildlife Dataset und unterstreicht die Vorteile der Einbeziehung von Mosaicing während des Trainingsprozesses.

Link to this sectionZitate, 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 License 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}
}

Link to this sectionFAQ#

Link to this sectionWas ist der African Wildlife Dataset 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 zur Objekterkennung und Tieridentifizierung. Der Datensatz unterstützt verschiedene Aufgaben wie Objektverfolgung, Forschung und Naturschutzmaßnahmen. Weitere Informationen zur Struktur und zu den Anwendungen findest du im Abschnitt Dataset Structure und Applications des Datensatzes.

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 den African Wildlife Dataset 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. Weitere Details findest du im Abschnitt Dataset YAML.

Link to this sectionKann ich Beispielbilder und Annotationen aus dem African Wildlife Dataset sehen?#

Ja, der African Wildlife Dataset enthält eine große Vielfalt an Bildern, die verschiedene Tierarten in ihren natürlichen Lebensräumen zeigen. Du kannst Beispielbilder und die dazugehörigen Annotationen im Abschnitt Sample Images and Annotations ansehen. Dieser Abschnitt veranschaulicht auch die Verwendung der Mosaicing-Technik, um mehrere Bilder zu einem zu kombinieren und so die Batch-Diversität zu erhöhen, was die Generalisierungsfähigkeit des Modells verbessert.

Link to this sectionWie kann der African Wildlife Dataset zur Unterstützung von Naturschutz und Forschung im Bereich Wildtiere eingesetzt werden?#

Das African Wildlife Dataset ist ideal geeignet, um den Wildtierschutz und die Forschung zu unterstützen, indem es das Training und die Evaluierung von Modellen zur Identifizierung afrikanischer Wildtiere in verschiedenen Lebensräumen ermöglicht. Diese Modelle können bei der Überwachung von Tierpopulationen helfen, ihr Verhalten untersuchen und Schutzbedarfe erkennen. Darüber hinaus kann der Datensatz für Bildungszwecke genutzt werden und Studenten sowie Forschern dabei helfen, die Eigenschaften und Verhaltensweisen verschiedener Tierarten zu verstehen. Weitere Details findest du im Abschnitt Anwendungen.