Conjunto de datos sobre la fauna africana

Este conjunto de datos muestra cuatro clases de animales comunes que suelen encontrarse en las reservas naturales sudafricanas. Incluye imágenes de animales salvajes africanos como el búfalo, el elefante, el rinoceronte y la cebra, que proporcionan información valiosa sobre sus características. Esencial para el entrenamiento de 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 fauna salvaje.

Observa: Detección de animales salvajes africanos mediante Ultralytics YOLO11

Estructura del conjunto de datos

El conjunto de datos de detección de objetos de la fauna 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 a diversas tareas de visión por ordenador, como la detección de objetos, el seguimiento de objetos y la investigación. En concreto, puede utilizarse para entrenar y evaluar modelos de identificación de objetos de fauna africana en imágenes, lo que puede tener aplicaciones en la conservación de la fauna, la investigación ecológica y las labores de seguimiento en reservas naturales y áreas protegidas. Además, puede servir como valioso recurso con fines educativos, permitiendo a estudiantes e investigadores estudiar y comprender las características y comportamientos de distintas especies animales.

Conjunto de datos YAML

Un archivo YAML (Yet Another Markup Language) define la configuración del conjunto de datos, incluyendo rutas, clases y otros detalles pertinentes. En el caso del conjunto de datos sobre la fauna africana, el archivo african-wildlife.yaml se encuentra en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # 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

Utilización

Para entrenar un modelo YOLO11n en el conjunto de datos de fauna africana durante 100 épocas con un tamaño de imagen de 640, utilice los ejemplos de código proporcionados. Para obtener una lista completa de los parámetros disponibles, consulte la página de entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolo11n.pt epochs=100 imgsz=640

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a brain-tumor fine-tuned model

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

# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/african-wildlife-sample.jpg"

Ejemplos de imágenes y anotaciones

El conjunto de datos sobre la fauna 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 de ellas acompañada de sus correspondientes anotaciones.

• Imagen en mosaico: Presentamos un lote de entrenamiento compuesto por imágenes de un conjunto de datos en mosaico. El mosaico, una técnica de entrenamiento, combina múltiples imágenes en una, enriqueciendo la diversidad del lote. Este método ayuda a mejorar la capacidad del modelo para generalizar a través de diferentes tamaños de objetos, relaciones de aspecto y contextos.

Este ejemplo ilustra la variedad y complejidad de las imágenes del conjunto de datos sobre la fauna africana, y pone de relieve las ventajas de incluir la creación de mosaicos durante el proceso de formación.

Citas y agradecimientos

El conjunto de datos se ha publicado bajo la licenciaAGPL-3.0 .

PREGUNTAS FRECUENTES

¿Qué es el African Wildlife Dataset y cómo puede utilizarse en proyectos de visión artificial?

El conjunto de datos African Wildlife Dataset incluye imágenes de cuatro especies animales comunes en las reservas naturales sudafricanas: búfalo, elefante, rinoceronte y cebra. Se trata de un valioso recurso para entrenar algoritmos de visión por ordenador en la detección de objetos y la identificación de animales. El conjunto de datos permite realizar diversas tareas, como el seguimiento de objetos, la investigación y la conservación. Para más información sobre su estructura y aplicaciones, consulte la sección Estructura del conjunto de datos y Aplicaciones del conjunto de datos.

¿Cómo se entrena un modelo YOLO11 con el conjunto de datos African Wildlife Dataset?

Puede entrenar un modelo YOLO11 en el conjunto de datos African Wildlife Dataset utilizando la función african-wildlife.yaml archivo de configuración. A continuación se muestra un ejemplo de cómo entrenar el modelo YOLO11n para 100 épocas con un tamaño de imagen de 640:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load a pretrained model (recommended for training)

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

# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolo11n.pt epochs=100 imgsz=640

Para más parámetros y opciones de entrenamiento, consulte la documentación de Entrenamiento.

¿Dónde puedo encontrar el archivo de configuración YAML para African Wildlife Dataset?

El archivo de configuración YAML para African Wildlife Dataset, denominado african-wildlife.yamlen este enlace de GitHub. Este archivo define la configuración del conjunto de datos, incluyendo rutas, clases y otros detalles cruciales para el entrenamiento. aprendizaje automático modelos. Véase el Conjunto de datos YAML para más detalles.

¿Puedo ver imágenes de muestra y anotaciones del African Wildlife Dataset?

Sí, el African Wildlife Dataset incluye una amplia variedad de imágenes que muestran diversas especies animales en sus hábitats naturales. Puede 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 varias imágenes en una sola con el fin de enriquecer la diversidad del lote y mejorar la capacidad de generalización del modelo.

¿Cómo puede utilizarse el African Wildlife Dataset para apoyar la conservación y la investigación de la fauna salvaje?

El African Wildlife Dataset es ideal para apoyar la conservación y la investigación de la fauna salvaje, ya que permite entrenar y evaluar modelos para identificar la fauna africana en diferentes hábitats. Estos modelos pueden ayudar a supervisar las poblaciones de animales, estudiar su comportamiento y reconocer las necesidades de conservación. Además, el conjunto de datos puede utilizarse con fines educativos, ayudando a estudiantes e investigadores a comprender las características y comportamientos de las distintas especies animales. Encontrará más información en la sección Aplicaciones.

Creado hace 8 meses ✏️ Actualizado hace 2 meses

Comentarios