Afrikanischer Wildtier-Datensatz

Dieser Datensatz zeigt vier häufige Tierklassen, die typischerweise in südafrikanischen Naturschutzgebieten vorkommen. Er enthält Bilder von afrikanischen Wildtieren wie Büffel, Elefanten, Nashörnern und Zebras und bietet wertvolle Einblicke in ihre Eigenschaften. Dieser Datensatz ist für das Training von Computer Vision Algorithmen unerlässlich und hilft bei der Identifizierung von Tieren in verschiedenen Lebensräumen, von Zoos bis zu Wäldern, und unterstützt die Wildtierforschung.

Struktur des Datensatzes

Der Datensatz zur Erkennung von Wildtierobjekten in Afrika ist in drei Teilmengen aufgeteilt:

• Trainingsset: Enthält 1052 Bilder, jedes mit entsprechenden Anmerkungen.
• Validierungsset: Umfasst 225 Bilder, jeweils mit gepaarten Anmerkungen.
• Testsatz: Besteht aus 227 Bildern, die jeweils mit gepaarten Anmerkungen versehen sind.

Anwendungen

Dieser Datensatz kann für verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Forschung eingesetzt werden. Insbesondere können damit Modelle zur Identifizierung von Objekten afrikanischer Wildtiere in Bildern trainiert und ausgewertet werden, was für den Schutz von Wildtieren, die ökologische Forschung und die Überwachung von Naturreservaten und Schutzgebieten von Bedeutung sein kann. Darüber hinaus kann es als wertvolle Ressource für Bildungszwecke dienen, die es Studierenden und Forschern ermöglicht, die Merkmale und Verhaltensweisen verschiedener Tierarten zu studieren und zu verstehen.

Datensatz YAML

Eine YAML-Datei (Yet Another Markup Language) definiert die Konfiguration des Datensatzes, einschließlich der Pfade, Klassen und anderer relevanter Details. Für den afrikanischen Wildtierdatensatz wird die african-wildlife.yaml Datei befindet sich unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # test images (relative to 'path') 227 images

# Classes
names:
  0: buffalo
  1: elephant
  2: rhino
  3: zebra

# Download script/URL (optional)
download: https://ultralytics.com/assets/african-wildlife.zip

Verwendung

Um ein YOLOv8n Modell auf dem afrikanischen Wildtierdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die mitgelieferten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter findest du auf der Seite Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data='african-wildlife.yaml', epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolov8n.pt epochs=100 imgsz=640

from ultralytics import YOLO

# Load a model
model = YOLO('path/to/best.pt')  # load a brain-tumor fine-tuned model

# Inference using the model
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/african-wildlife-sample.jpg"

Beispielbilder und Anmerkungen

Der afrikanische Wildtierdatensatz umfasst eine Vielzahl von Bildern, die verschiedene Tierarten und ihre natürlichen Lebensräume zeigen. Im Folgenden findest du Beispiele für Bilder aus dem Datensatz, die jeweils mit den entsprechenden Kommentaren versehen sind.

• Mosaikbild: Hier stellen wir einen Trainingsstapel vor, der aus Mosaikbildern des Datensatzes besteht. Bei der Mosaikbildung werden mehrere Bilder zu einem einzigen zusammengefügt, um die Vielfalt des Stapels zu erhöhen. Diese Methode trägt dazu bei, die Fähigkeit des Modells zu verbessern, über verschiedene Objektgrößen, Seitenverhältnisse und Kontexte hinweg zu generalisieren.

Dieses Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im afrikanischen Wildtierdatensatz und verdeutlicht die Vorteile der Mosaikbildung während des Trainingsprozesses.

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

Kommentare