Conjunto de datos de fauna africana#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

El conjunto de datos de fauna africana de Ultralytics es un conjunto de detección de objetos con 1504 imágenes de 4 clases de animales —búfalo, elefante, rinoceronte y cebra— que suelen encontrarse en reservas naturales de Sudáfrica. Las imágenes están divididas previamente en 1052 imágenes de entrenamiento, 225 de validación y 227 de prueba; el conjunto de datos se descarga automáticamente (~100 MB) la primera vez que entrenas. Es un banco de pruebas compacto y listo para usar con el que entrenar modelos de visión artificial para la vigilancia de la fauna, la conservación y la investigación ecológica.

Estructura del conjunto de datos#

El conjunto de datos de fauna africana de Ultralytics contiene 1504 imágenes de 4 clases (búfalo, elefante, rinoceronte y cebra), divididas previamente en tres subconjuntos:

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

Explora African Wildlife en Ultralytics Platform para ver las imágenes con sus superposiciones de anotaciones, consultar la distribución de clases y los mapas de calor de las cajas delimitadoras en la pestaña Charts, y clonarlo para entrenar tu propio modelo en la nube.

Aplicaciones#

El conjunto de datos de fauna africana de Ultralytics admite diversas aplicaciones de detección de objetos:

• Conservación de la fauna — detecta y cuenta búfalos, elefantes, rinocerontes y cebras para facilitar la supervisión de las poblaciones animales en reservas naturales y zonas protegidas.
• Investigación ecológica — estudia la distribución y el comportamiento de las especies en distintos hábitats.
• Vigilancia contra la caza furtiva — detecta animales en imágenes de cámaras trampa o drones en grandes zonas protegidas.
• Educación y creación de prototipos — un conjunto de datos compacto de cuatro clases para aprender sobre el entrenamiento de modelos y la predicción.

YAML del conjunto de datos#

Un archivo YAML define la configuración del conjunto de datos, incluidas las rutas, las clases y otros detalles pertinentes. En el caso del conjunto de datos de fauna africana, el archivo african-wildlife.yaml se encuentra en 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

Uso#

Para entrenar un modelo YOLO26n con el conjunto de datos de fauna africana durante 100 épocas y con un tamaño de imagen de 640, utiliza los ejemplos de código proporcionados. Consulta la página de entrenamiento del modelo para ver la lista completa de parámetros disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Una vez entrenado el modelo, ejecuta la inferencia con el modelo ajustado en imágenes nuevas:

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/best.pt")  # cargar un modelo de fauna africana ajustado

# Inferencia con el modelo
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Imágenes de muestra y anotaciones#

El conjunto de datos de fauna africana incluye una amplia variedad de imágenes que muestran distintas especies animales y sus hábitats naturales. A continuación se muestran ejemplos de imágenes del conjunto de datos, cada una con sus anotaciones correspondientes.

• Imagen en mosaico: aquí mostramos un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. La creación de mosaicos, una técnica de entrenamiento, combina varias imágenes en una para enriquecer la diversidad del lote. Este método ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.

Citas, licencia y agradecimientos#

Queremos dar las gracias a la autora original del conjunto de datos, Bianca Ferreira, por publicarlo para la comunidad. El equipo de Ultralytics lo ha actualizado y adaptado internamente para que pueda utilizarse fácilmente con los modelos Ultralytics YOLO. El conjunto de datos de origen no especifica ninguna licencia.

Si utilizas este conjunto de datos en tu investigación, cítalo con los datos indicados:

@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 = {Not specified},
    version = {1.0.0},
    year    = {2024}
}

Preguntas frecuentes#