Conjunto de datos de fauna salvaje africana

Este conjunto de datos muestra cuatro clases de animales comunes que suelen encontrarse en las reservas naturales de Sudáfrica. Incluye imágenes de fauna salvaje africana como búfalos, elefantes, rinocerontes y cebras, proporcionando 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 fauna salvaje.

Estructura del conjunto de datos

El conjunto de datos de detección de objetos de fauna salvaje 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: Comprende 227 imágenes, cada una con anotaciones emparejadas.

Aplicaciones

Este conjunto de datos puede aplicarse en diversas tareas de visión artificial como detección de objetos, seguimiento de objetos e investigación. Específicamente, puede utilizarse para entrenar y evaluar modelos para identificar objetos de fauna salvaje africana en imágenes, lo que puede tener aplicaciones en la conservación de la fauna, la investigación ecológica y las labores de monitoreo en reservas naturales y áreas protegidas. Además, puede servir como un recurso valioso con fines educativos, permitiendo a 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 fauna salvaje 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 salvaje 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")

Imágenes y anotaciones de muestra

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

• 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 fauna salvaje africana, enfatizando los beneficios de incluir el mosaico durante el proceso de entrenamiento.

Citas, licencia y agradecimientos

Queremos 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 los modelos Ultralytics YOLO. Este conjunto de datos está disponible bajo la Licencia AGPL-3.0.

Si utilizas este conjunto de datos en tu investigación, por favor 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}
}

Preguntas frecuentes

¿Qué es el conjunto de datos de fauna salvaje africana y cómo se puede utilizar en proyectos de visión artificial?

El conjunto de datos de fauna salvaje 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 detección de objetos e identificación de animales. El conjunto de datos admite diversas tareas como el seguimiento de objetos, la investigación y las labores de conservación. Para obtener más información sobre su estructura y aplicaciones, consulta la sección Estructura del conjunto de datos y Aplicaciones del conjunto de datos.

¿Cómo entreno un modelo YOLO26 utilizando el conjunto de datos de fauna salvaje africana?

Puedes entrenar un modelo YOLO26 con el conjunto de datos de fauna salvaje 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 parámetros y opciones de entrenamiento adicionales, consulta la documentación de Entrenamiento.

¿Dónde puedo encontrar el archivo de configuración YAML para el conjunto de datos de fauna salvaje africana?

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

¿Puedo ver imágenes y anotaciones de muestra del conjunto de datos de fauna salvaje africana?

Sí, el conjunto de datos de fauna salvaje 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 y anotaciones de muestra. Esta sección también ilustra el uso de la técnica de mosaico para combinar varias imágenes en una y lograr una mayor diversidad de lotes, mejorando la capacidad de generalización del modelo.

¿Cómo puede utilizarse el conjunto de datos de fauna salvaje africana para apoyar la conservación y la investigación de la fauna salvaje?

El conjunto de datos de fauna salvaje africana es ideal para apoyar la conservación y la investigación de la fauna salvaje al permitir el entrenamiento y la evaluación de modelos para identificar fauna africana en diferentes hábitats. Estos modelos pueden ayudar en el monitoreo de poblaciones animales, el estudio de su comportamiento y el reconocimiento de necesidades de conservación. Además, el conjunto de datos puede utilizarse con fines educativos, ayudando a estudiantes e investigadores a entender las características y comportamientos de diferentes especies animales. Se pueden encontrar más detalles en la sección Aplicaciones.