Afrikanischer Wildtier-Datensatz

Dieser Datensatz zeigt vier häufige Tierklassen, die typischerweise in südafrikanischen Naturschutzgebieten vorkommen. Er enthält Bilder afrikanischer Wildtiere wie Büffel, Elefanten, Nashörner 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.

Beobachten: Erkennung von afrikanischen Wildtieren mit Ultralytics YOLO11

Struktur des Datensatzes

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

• Übungssatz: Enthält 1052 Bilder, jeweils mit entsprechenden Anmerkungen.
• Validierungssatz: Umfasst 225 Bilder, jeweils mit gepaarten Kommentaren.
• Testsatz: Besteht aus 227 Bildern, jeweils mit gepaarten Kommentaren.

Anwendungen

Dieser Datensatz kann für verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Objektverfolgung und Forschung verwendet werden. Insbesondere können damit Modelle für die Identifizierung von Objekten afrikanischer Wildtiere in Bildern trainiert und bewertet 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 Studenten 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 Pfaden, Klassen und anderen relevanten 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://github.com/ultralytics/assets/releases/download/v0.0.0/african-wildlife.zip

Verwendung

Um ein YOLO11n-Modell auf dem afrikanischen Wildtierdatensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die mitgelieferten Codebeispiele. Eine umfassende Liste der verfügbaren Parameter finden Sie auf der Seite Training des Modells.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.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 -kommentare

Der Datensatz über afrikanische Wildtiere umfasst eine Vielzahl von Bildern, die verschiedene Tierarten und ihre natürlichen Lebensräume zeigen. Nachfolgend finden Sie Beispiele für Bilder aus dem Datensatz, die jeweils mit den entsprechenden Anmerkungen versehen sind.

• Mosaikbild: Hier stellen wir einen Trainingsstapel vor, der aus Mosaikbildern des Datensatzes besteht. Bei dieser Trainingstechnik werden mehrere Bilder zu einem einzigen zusammengefügt, um die Vielfalt der Stapel zu erhöhen. 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 Wildtierdatensatz und verdeutlicht die Vorteile der Mosaikbildung während des Trainingsprozesses.

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

FAQ

Was ist der African Wildlife Dataset und wie kann er in Computer Vision Projekten verwendet werden?

Der African Wildlife Dataset enthält Bilder von vier häufigen Tierarten, die in südafrikanischen Naturschutzgebieten vorkommen: Büffel, Elefanten, Nashörner und Zebras. 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 Naturschutz. Weitere Informationen über seine Struktur und Anwendungen finden Sie im Abschnitt Struktur des Datensatzes und Anwendungen des Datensatzes.

Wie trainiere ich ein YOLO11 Modell mit dem African Wildlife Dataset?

Sie können ein YOLO11 Modell mit dem African Wildlife Dataset trainieren, indem Sie die african-wildlife.yaml Konfigurationsdatei. Im Folgenden finden Sie ein Beispiel für das Training des YOLO11n-Modells für 100 Epochen mit einer Bildgröße von 640:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Weitere Trainingsparameter und Optionen finden Sie in der Trainingsdokumentation.

Wo kann ich die YAML-Konfigurationsdatei für den African Wildlife Dataset finden?

Die YAML-Konfigurationsdatei für den African Wildlife Dataset mit dem Namen african-wildlife.yamlist zu finden unter dieser GitHub-Link. Diese Datei definiert die Konfiguration des Datensatzes, einschließlich Pfade, Klassen und andere Details, die für das Training wichtig sind maschinelles Lernen Modelle. Siehe die Datensatz YAML Abschnitt für weitere Einzelheiten.

Kann ich Beispielbilder und -kommentare aus dem African Wildlife Dataset sehen?

Ja, der African Wildlife Dataset enthält eine Vielzahl von Bildern, die verschiedene Tierarten in ihren natürlichen Lebensräumen zeigen. Sie können sich Beispielbilder und die dazugehörigen Anmerkungen im Abschnitt Beispielbilder und Anmerkungen ansehen. Dieser Abschnitt veranschaulicht auch die Verwendung der Mosaiktechnik, mit der mehrere Bilder zu einem einzigen kombiniert werden, um die Batch-Vielfalt anzureichern und die Generalisierungsfähigkeit des Modells zu verbessern.

Wie kann der African Wildlife Dataset zur Unterstützung des Schutzes von Wildtieren und der Forschung genutzt werden?

Der African Wildlife Dataset ist ideal für die Unterstützung des Schutzes von Wildtieren und der Forschung, indem er die Ausbildung und Bewertung von Modellen zur Identifizierung von afrikanischen Wildtieren in verschiedenen Lebensräumen ermöglicht. Diese Modelle können bei der Überwachung von Tierpopulationen, der Untersuchung ihres Verhaltens und der Erkennung von Schutzbedürfnissen helfen. Darüber hinaus kann der Datensatz für Bildungszwecke genutzt werden und Studenten und Forschern helfen, die Merkmale und Verhaltensweisen verschiedener Tierarten zu verstehen. Weitere Einzelheiten finden Sie im Abschnitt Anwendungen.

📅 Erstellt vor 8 Monaten ✏️ Aktualisiert vor 2 Monaten

Kommentare