Afrikanischer Wildtier-Datensatz
Dieser Datensatz zeigt vier hĂ€ufige Tierklassen, die typischerweise in sĂŒdafrikanischen Naturschutzgebieten vorkommen. Er enthĂ€lt Bilder von afrikanischen Wildtieren wie BĂŒffel, Elefanten, Nashörnern und Zebras und bietet wertvolle Einblicke in ihre Eigenschaften. Dieser Datensatz ist fĂŒr das Training von Computer Vision Algorithmen unerlĂ€sslich und hilft bei der Identifizierung von Tieren in verschiedenen LebensrĂ€umen, von Zoos bis zu WĂ€ldern, und unterstĂŒtzt die Wildtierforschung.
Struktur des Datensatzes
Der Datensatz zur Erkennung von Wildtierobjekten in Afrika ist in drei Teilmengen aufgeteilt:
- Trainingsset: EnthÀlt 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 fĂŒr 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 fĂŒr den Schutz von Wildtieren, die ökologische Forschung und die Ăberwachung von Naturreservaten und Schutzgebieten von Bedeutung sein kann. DarĂŒber hinaus kann es als wertvolle Ressource fĂŒr 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, einschlieĂlich der Pfade, Klassen und anderer relevanter Details. FĂŒr 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/cfg/datasets/african-wildlife.yaml
# Ultralytics YOLO đ, 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
# âââ ultralytics
# âââ datasets
# âââ african-wildlife â 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 fĂŒr 100 Epochen mit einer BildgröĂe von 640 zu trainieren, verwende die mitgelieferten Codebeispiele. Eine umfassende Liste der verfĂŒgbaren Parameter findest du auf der Seite Training des Modells.
Beispiel fĂŒr einen Zug
Beispiel fĂŒr eine Schlussfolgerung
Beispielbilder und Anmerkungen
Der afrikanische Wildtierdatensatz umfasst eine Vielzahl von Bildern, die verschiedene Tierarten und ihre natĂŒrlichen LebensrĂ€ume zeigen. Im Folgenden findest du Beispiele fĂŒr 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 zusammengefĂŒgt, um die Vielfalt des Stapels zu erhöhen. Diese Methode trĂ€gt dazu bei, die FĂ€higkeit des Modells zu verbessern, ĂŒber verschiedene ObjektgröĂen, SeitenverhĂ€ltnisse und Kontexte hinweg zu generalisieren.
Dieses Beispiel veranschaulicht die Vielfalt und KomplexitÀt der Bilder im afrikanischen Wildtierdatensatz und verdeutlicht die Vorteile der Mosaikbildung wÀhrend des Trainingsprozesses.
Zitate und Danksagungen
Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.