Link to this sectionConjunto de datos de vida silvestre africana#

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

Link to this sectionEstructura del dataset#

El conjunto de datos de detección de objetos de vida silvestre 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 pruebas: Consta de 227 imágenes, cada una con anotaciones emparejadas.

Link to this sectionAplicaciones#

Este conjunto de datos puede aplicarse en diversas tareas de visión por ordenador, como la detección de objetos, el seguimiento de objetos y la investigación. Específicamente, puede utilizarse 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 las labores de monitoreo en reservas naturales y áreas protegidas. Además, puede servir como un recurso valioso para fines educativos, permitiendo a estudiantes e investigadores estudiar y comprender las características y comportamientos de diferentes especies animales.

Link to this sectionYAML del dataset#

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 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el conjunto de datos de vida silvestre africana durante 100 épocas con un tamaño de imagen de 640, utiliza las muestras de código proporcionadas. Para obtener una lista completa de los parámetros disponibles, consulta la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an African wildlife fine-tuned model

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

Link to this sectionMuestras de imágenes 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 anotaciones correspondientes.

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

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

Link to this sectionCitas, Licencia y Agradecimientos#

Nos gustaría agradecer a la autora original del conjunto de datos, Bianca Ferreira, por publicar este conjunto de datos para la comunidad. El equipo de Ultralytics lo ha actualizado y adaptado internamente para que pueda utilizarse sin problemas con modelos de Ultralytics YOLO. Este conjunto de datos está disponible bajo la Licencia AGPL-3.0.

Si utilizas este conjunto de datos en tu investigación, cítalo utilizando los detalles mencionados:

@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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

Link to this sectionFAQ#

Link to this section¿Qué es el conjunto de datos de vida silvestre africana y cómo se puede utilizar en proyectos de visión por ordenador?#

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 por ordenador en la detección de objetos y la identificación de animales. El conjunto de datos apoya diversas tareas como el seguimiento de objetos, la investigación y los esfuerzos de conservación. Para obtener más información sobre su estructura y aplicaciones, consulta la sección Estructura del conjunto de datos y las Aplicaciones del conjunto de datos.

Link to this section¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos de vida silvestre africana?#

Puedes entrenar un modelo YOLO26 en el conjunto de datos de vida silvestre africana utilizando el archivo de configuración african-wildlife.yaml. A continuación, se muestra un ejemplo de cómo entrenar el modelo YOLO26n durante 100 épocas con un tamaño de imagen de 640:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

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

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

Link to this section¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos de vida silvestre africana?#

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, incluyendo las rutas, las clases y otros detalles cruciales para entrenar modelos de aprendizaje automático. Consulta la sección YAML del conjunto de datos para más detalles.

Link to this section¿Puedo ver imágenes de muestra y anotaciones del conjunto de datos de vida silvestre africana?#

Sí, el conjunto de datos de vida silvestre africana incluye una amplia variedad de imágenes que muestran diversas especies animales en sus hábitats naturales. Puedes ver imágenes de muestra y sus correspondientes anotaciones en la sección Imágenes de muestra y anotaciones. Esta sección también ilustra el uso de la técnica de mosaico para combinar múltiples imágenes en una para obtener una mayor diversidad de lotes, mejorando la capacidad de generalización del modelo.

Link to this section¿Cómo se puede utilizar el conjunto de datos de vida silvestre africana para apoyar la conservación y la investigación de la vida silvestre?#

El dataset African Wildlife es ideal para apoyar la conservación y la investigación de la vida silvestre al permitir el entrenamiento y la evaluación de modelos para identificar fauna africana en diferentes hábitats. Estos modelos pueden ayudar a monitorear poblaciones animales, estudiar su comportamiento y reconocer necesidades de conservación. Además, el dataset puede utilizarse con fines educativos, ayudando a estudiantes e investigadores a comprender las características y comportamientos de diferentes especies animales. Puedes encontrar más detalles en la sección Aplicaciones.