Ir al contenido

Conjunto de datos African Wildlife

Este conjunto de datos muestra cuatro clases de animales comunes que se encuentran normalmente en las reservas naturales sudafricanas. Incluye imágenes de la vida silvestre africana, como búfalos, elefantes, rinocerontes y cebras, lo que proporciona información valiosa sobre sus características. Esencial para entrenar algoritmos de visión artificial, este conjunto de datos ayuda a identificar animales en diversos hábitats, desde zoológicos hasta bosques, y apoya la investigación de la vida silvestre.



Ver: Detección de animales de la fauna africana utilizando Ultralytics YOLO11

Estructura del conjunto de datos

El conjunto de datos de detección de objetos de la fauna africana se divide en tres subconjuntos:

  • Conjunto de entrenamiento: Contiene 1052 imágenes, cada una con sus correspondientes anotaciones.
  • Conjunto de validación: Incluye 225 imágenes, cada una con anotaciones emparejadas.
  • Conjunto de prueba: Comprende 227 imágenes, cada una con anotaciones emparejadas.

Aplicaciones

Este conjunto de datos se puede aplicar en diversas tareas de visión artificial, como la detección de objetos, el seguimiento de objetos y la investigación. Específicamente, se puede utilizar para entrenar y evaluar modelos para identificar objetos de vida silvestre africana en imágenes, lo que puede tener aplicaciones en la conservación de la vida silvestre, la investigación ecológica y los esfuerzos de monitoreo en reservas naturales y áreas protegidas. Además, puede servir como un valioso recurso para fines educativos, permitiendo a los estudiantes e investigadores estudiar y comprender las características y comportamientos de diferentes especies animales.

YAML del conjunto de datos

Un archivo YAML (Yet Another Markup Language) define la configuración del conjunto de datos, incluyendo rutas, clases y otros detalles pertinentes. Para el conjunto de datos de vida silvestre africana, el african-wildlife.yaml el archivo se encuentra en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

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

Uso

Para entrenar un modelo YOLO11n en el conjunto de datos de vida silvestre africana durante 100 épocas con un tamaño de imagen de 640, utilice los ejemplos de código proporcionados. Para obtener una lista completa de los parámetros disponibles, consulte la página de entrenamiento del modelo.

Ejemplo de entrenamiento

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

Ejemplo de inferencia

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"

sample_images y anotaciones

El conjunto de datos de vida silvestre africana comprende una amplia variedad de imágenes que muestran diversas especies animales y sus hábitats naturales. A continuación, se muestran ejemplos de imágenes del conjunto de datos, cada una acompañada de sus correspondientes anotaciones.

Imagen de muestra del conjunto de datos de vida silvestre africana

  • Imagen en mosaico: Aquí, presentamos un lote de entrenamiento que consta de imágenes en mosaico del conjunto de datos. El mosaico, una técnica de entrenamiento, combina varias imágenes en una sola, enriqueciendo la diversidad del lote. Este método ayuda a mejorar la capacidad del modelo para generalizar a través de diferentes tamaños de objetos, relaciones de aspecto y contextos.

Este ejemplo ilustra la variedad y complejidad de las imágenes en el conjunto de datos de vida silvestre africana, enfatizando los beneficios de incluir el mosaico durante el proceso de entrenamiento.

Citas y agradecimientos

El conjunto de datos se ha publicado y está disponible bajo la Licencia AGPL-3.0.

Preguntas frecuentes

¿Qué es el conjunto de datos African Wildlife y cómo se puede utilizar en proyectos de visión artificial?

El conjunto de datos de vida silvestre africana incluye imágenes de cuatro especies animales comunes que se encuentran en las reservas naturales de Sudáfrica: búfalo, elefante, rinoceronte y cebra. Es un recurso valioso para entrenar algoritmos de visión artificial en la detección de objetos y la identificación de animales. El conjunto de datos admite varias tareas como el seguimiento de objetos, la investigación y los esfuerzos de conservación. Para obtener más información sobre su estructura y aplicaciones, consulte la sección de Estructura del conjunto de datos y las Aplicaciones del conjunto de datos.

¿Cómo entreno un modelo YOLO11 utilizando el conjunto de datos African Wildlife?

Puede entrenar un modelo YOLO11 en el conjunto de datos de vida silvestre africana utilizando el african-wildlife.yaml archivo de configuración. A continuación, se muestra un ejemplo de cómo entrenar el modelo YOLO11n durante 100 épocas con un tamaño de imagen de 640:

Ejemplo

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

Para obtener parámetros y opciones de entrenamiento adicionales, consulte la documentación de Entrenamiento.

¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos African Wildlife?

El archivo de configuración YAML para el conjunto de datos de vida silvestre africana, llamado african-wildlife.yaml, se puede encontrar en este enlace de GitHub. Este archivo define la configuración del conjunto de datos, incluidas las rutas, las clases y otros detalles cruciales para el entrenamiento aprendizaje automático modelos. Consulte la YAML del conjunto de datos sección para obtener más detalles.

¿Puedo ver imágenes de muestra y anotaciones del conjunto de datos African Wildlife?

Sí, el conjunto de datos de vida silvestre africana incluye una amplia variedad de imágenes que muestran diversas especies animales en sus hábitats naturales. Puede ver imágenes de muestra y sus anotaciones correspondientes en la sección Imágenes de muestra y anotaciones. Esta sección también ilustra el uso de la técnica de mosaicos para combinar varias imágenes en una para una diversidad de lotes enriquecida, lo que mejora la capacidad de generalización del modelo.

¿Cómo se puede utilizar el conjunto de datos African Wildlife para apoyar la conservación e investigación de la vida silvestre?

El conjunto de datos de fauna africana es ideal para apoyar la conservación e investigación de la fauna, ya que permite entrenar y evaluar modelos para identificar la fauna africana en diferentes hábitats. Estos modelos pueden ayudar a monitorear las poblaciones de animales, estudiar su comportamiento y reconocer las necesidades de conservación. Además, el conjunto de datos puede utilizarse con fines educativos, ayudando a estudiantes e investigadores a comprender las características y los comportamientos de las diferentes especies animales. Encontrará más detalles en la sección de Aplicaciones.



📅 Creado hace 1 año ✏️ Actualizado hace 5 meses

Comentarios