Conjunto de datos de vida silvestre africana#

El conjunto de datos Ultralytics African Wildlife es un conjunto de datos de object detection con 1.504 imágenes divididas en 4 clases de animales —búfalo, elefante, rinoceronte y cebra— que se encuentran comúnmente en las reservas naturales sudafricanas. Las imágenes se dividen previamente en 1.052 de entrenamiento, 225 de validación y 227 de prueba, y el conjunto de datos se descarga automáticamente (~100 MB) la primera vez que entrenas. Es un banco de pruebas compacto y listo para usar para entrenar modelos de computer vision destinados al seguimiento de la fauna, la conservación y la investigación ecológica.

Estructura del dataset#

El dataset African Wildlife de Ultralytics contiene 1.504 imágenes en 4 clases (búfalo, elefante, rinoceronte y cebra), predivididas en tres subconjuntos:

• Conjunto de entrenamiento: 1.052 imágenes, cada una con sus correspondientes anotaciones.
• Conjunto de validación: 225 imágenes, cada una con anotaciones emparejadas.
• Conjunto de prueba: 227 imágenes, cada una con anotaciones emparejadas.

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

Aplicaciones#

El conjunto de datos Ultralytics African Wildlife admite una variedad de aplicaciones de object detection:

• Conservación de la fauna — detecta y cuenta búfalos, elefantes, rinocerontes y cebras para respaldar el animal population monitoring en reservas naturales y áreas protegidas.
• Investigación ecológica — estudia la distribución y el comportamiento de las especies en diferentes hábitats.
• Vigilancia contra la caza furtiva — marca animales en grabaciones de cámaras trampa o drones sobre áreas protegidas extensas.
• Educación y creación de prototipos — un conjunto de datos compacto de cuatro clases para aprender sobre model training y prediction.

YAML del dataset#

Un archivo YAML define la configuración del conjunto de datos, incluidas las rutas, las clases y otros detalles pertinentes. Para el conjunto de datos African Wildlife, 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 en el conjunto de datos African Wildlife durante 100 epochs con un tamaño de imagen de 640, utiliza los ejemplos de código proporcionados. Para obtener una lista exhaustiva de los parámetros disponibles, consulta la página Training 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)

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

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")

Muestras de imágenes y anotaciones#

El dataset African Wildlife comprende una amplia variedad de imágenes que muestran diversas especies animales y sus hábitats naturales. A continuación, se presentan ejemplos de imágenes del dataset, 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.

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 se pueda utilizar sin problemas con los modelos de Ultralytics YOLO. El conjunto de datos de origen no especifica una licencia.

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

FAQ#