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 entrenar algoritmos de visión por ordenador, este conjunto de datos ayuda a identificar animales en diversos hábitats, desde zoológicos a bosques, y apoya la investigación sobre la fauna salvaje.

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 en 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 tareas de seguimiento en reservas naturales y zonas 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. Para el conjunto de datos de 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://ultralytics.com/assets/african-wildlife.zip

Utilización

Para entrenar un modelo YOLOv8n en el conjunto de datos de la fauna africana para 100 épocas con un tamaño de imagen de 640, utiliza los ejemplos de código proporcionados. Para obtener una lista completa de los parámetros disponibles, consulta la página Entrenamiento del modelo.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.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 gran 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 acompañada de sus correspondientes anotaciones.

• Imagen en mosaico: Aquí presentamos un lote de entrenamiento formado por 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 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 de la fauna africana, y pone de relieve las ventajas de incluir el mosaico durante el proceso de entrenamiento.

Citas y agradecimientos

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

Comentarios