Link to this sectionConjunto de datos de vida silvestre africana#

El dataset African Wildlife de Ultralytics es un dataset de detección de objetos de 1.504 imágenes divididas en 4 clases de animales — búfalo, elefante, rinoceronte y cebra — que se encuentran habitualmente en las reservas naturales de Sudáfrica. Las imágenes están predivididas en 1.052 imágenes de entrenamiento, 225 de validación y 227 de prueba, y el dataset se descarga automáticamente (~100 MB) la primera vez que entrenas. Es un benchmark compacto y listo para usar para entrenar modelos de visión artificial destinados al monitoreo de la fauna, la conservación y la investigación ecológica.

Link to this sectionEstructura 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 en la plataforma de Ultralytics para navegar por las imágenes con sus superposiciones de anotaciones, ver la distribución de clases y los mapas de calor de los cuadros delimitadores (bounding-box) en la pestaña Charts, y clónalo para entrenar tu propio modelo en la nube.

Link to this sectionAplicaciones#

El dataset African Wildlife de Ultralytics admite una variedad de aplicaciones de detección de objetos:

• Conservación de la fauna — detecta y cuenta búfalos, elefantes, rinocerontes y cebras para apoyar el monitoreo de poblaciones animales 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 dataset compacto de cuatro clases para aprender entrenamiento de modelos y predicción.

Link to this sectionYAML del dataset#

Un archivo YAML define la configuración del conjunto de datos, incluyendo 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

Link to this sectionUso#

Para entrenar un modelo YOLO26n en el dataset African Wildlife durante 100 épocas con un tamaño de imagen de 640, usa los ejemplos de código proporcionados. 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)

Una vez entrenado, ejecuta la inferencia 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")

Link to this sectionMuestras 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.

Link to this sectionCitas, Licencia y Agradecimientos#

Queremos agradecer a la autora original del dataset, Bianca Ferreira, por publicar este dataset para la comunidad. El equipo de Ultralytics lo ha actualizado y adaptado internamente para que pueda usarse sin problemas con los modelos de Ultralytics YOLO. El dataset original 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}
}

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 dataset African Wildlife es un dataset de detección de objetos de 1.504 imágenes en 4 clases de animales — búfalo, elefante, rinoceronte y cebra — que se encuentran en las reservas naturales de Sudáfrica. Se utiliza para entrenar y evaluar modelos destinados a identificar la fauna africana en imágenes, lo cual apoya la conservación de la fauna, la investigación ecológica y el monitoreo en reservas naturales. También sirve como un recurso accesible para estudiantes e investigadores que estudian visión artificial.

Link to this section¿Cuántas imágenes y clases contiene el dataset African Wildlife?#

El dataset African Wildlife de Ultralytics contiene 1.504 imágenes en 4 clases: búfalo, elefante, rinoceronte y cebra. Las imágenes están predivididas en 1.052 imágenes de entrenamiento, 225 de validación y 227 de prueba, y el dataset se descarga automáticamente (~100 MB) la primera vez que entrenas.

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 dataset African Wildlife, llamado african-wildlife.yaml, se puede encontrar en este enlace de GitHub. Este archivo define la configuración del dataset, incluyendo rutas, clases y otros detalles cruciales para entrenar modelos de aprendizaje automático.

Link to this section¿Bajo qué licencia se publica el dataset African Wildlife?#

El dataset original no especifica ninguna licencia. Fue publicado originalmente en Kaggle por Bianca Ferreira y adaptado por Ultralytics para su uso fluido con modelos de Ultralytics YOLO. Si utilizas este dataset en tu investigación, por favor cítalo usando la entrada BibTeX en la sección Citas.