Dataset 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 Dataset de fauna africana de Ultralytics es un dataset de detección de objetos compuesto por 1.504 imágenes de 4 clases de animales —búfalo, elefante, rinoceronte y cebra— que suelen encontrarse 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 a la supervisión de fauna, la conservación y la investigación ecológica.

Estructura del dataset#

El Dataset de fauna africana de Ultralytics contiene 1.504 imágenes distribuidas en 4 clases (búfalo, elefante, rinoceronte y cebra), predivididas en tres subconjuntos:

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

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

Aplicaciones#

El Dataset 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 apoyar la supervisión de poblaciones animales en reservas naturales y áreas protegidas.
• Investigación ecológica — estudia la distribución y el comportamiento de las especies en distintos hábitats.
• Vigilancia contra la caza furtiva — identifica animales en grabaciones de cámaras trampa o drones sobre grandes áreas protegidas.
• Educación y creación de prototipos — un dataset compacto de cuatro clases para aprender entrenamiento de modelos y predicción.

YAML del dataset#

Un archivo YAML define la configuración del dataset, incluidas las rutas, las clases y otros detalles pertinentes. Para el Dataset 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 Dataset de fauna africana durante 100 épocas y con un tamaño de imagen de 640, usa los ejemplos de código proporcionados. Consulta la página de entrenamiento del modelo para ver una lista completa de los parámetros disponibles.

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 sobre imágenes nuevas:

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 de ejemplo y anotaciones#

El Dataset de fauna africana contiene una amplia variedad de imágenes que muestran diversas especies animales y sus hábitats naturales. A continuación se incluyen ejemplos de imágenes del dataset, cada una acompañada de sus anotaciones correspondientes.

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

Citas, licencia y agradecimientos#

Queremos dar las gracias 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 utilizarse sin problemas con modelos de Ultralytics YOLO. El dataset de origen no especifica ninguna licencia.

Si utilizas este dataset en tu investigación, cítalo usando 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#