Saltar al contenido

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 im谩genes de animales salvajes africanos como el b煤falo, el elefante, el rinoceronte y la cebra, que proporcionan informaci贸n valiosa sobre sus caracter铆sticas. Esencial para entrenar algoritmos de visi贸n por ordenador, este conjunto de datos ayuda a identificar animales en diversos h谩bitats, desde zool贸gicos a bosques, y apoya la investigaci贸n sobre la fauna salvaje.

Estructura del conjunto de datos

El conjunto de datos de detecci贸n de objetos de la fauna africana se divide en tres subconjuntos:

  • Conjunto de entrenamiento: Contiene 1052 im谩genes, cada una con sus correspondientes anotaciones.
  • Conjunto de validaci贸n: Incluye 225 im谩genes, cada una con anotaciones emparejadas.
  • Conjunto de pruebas: Comprende 227 im谩genes, cada una con anotaciones emparejadas.

Aplicaciones

Este conjunto de datos puede aplicarse en diversas tareas de visi贸n por ordenador, como la detecci贸n de objetos, el seguimiento de objetos y la investigaci贸n. En concreto, puede utilizarse para entrenar y evaluar modelos de identificaci贸n de objetos de fauna africana en im谩genes, lo que puede tener aplicaciones en la conservaci贸n de la fauna, la investigaci贸n ecol贸gica y las tareas de seguimiento en reservas naturales y zonas protegidas. Adem谩s, puede servir como valioso recurso con fines educativos, permitiendo a estudiantes e investigadores estudiar y comprender las caracter铆sticas y comportamientos de distintas especies animales.

Conjunto de datos YAML

Un archivo YAML (Yet Another Markup Language) define la configuraci贸n 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/cfg/datasets/african-wildlife.yaml

# Ultralytics YOLO 馃殌, 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
# 鈹溾攢鈹 ultralytics
# 鈹斺攢鈹 datasets
#     鈹斺攢鈹 african-wildlife  鈫 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

Utilizaci贸n

Para entrenar un modelo YOLOv8n en el conjunto de datos de la fauna africana para 100 茅pocas con un tama帽o de imagen de 640, utiliza los ejemplos de c贸digo proporcionados. Para obtener una lista completa de los par谩metros disponibles, consulta la p谩gina Entrenamiento del modelo.

Ejemplo de tren

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

Ejemplo de inferencia

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 im谩genes y anotaciones

El conjunto de datos sobre la fauna africana comprende una gran variedad de im谩genes que muestran diversas especies animales y sus h谩bitats naturales. A continuaci贸n se muestran ejemplos de im谩genes del conjunto de datos, cada una acompa帽ada de sus correspondientes anotaciones.

Imagen de muestra del conjunto de datos sobre la fauna africana

  • Imagen en mosaico: Aqu铆 presentamos un lote de entrenamiento formado por im谩genes del conjunto de datos en mosaico. El mosaico, una t茅cnica de entrenamiento, combina varias im谩genes en una, enriqueciendo la diversidad del lote. Este m茅todo ayuda a mejorar la capacidad del modelo para generalizar a trav茅s de diferentes tama帽os de objetos, relaciones de aspecto y contextos.

Este ejemplo ilustra la variedad y complejidad de las im谩genes 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 .



Creado 2024-03-23, Actualizado 2024-05-18
Autores: glenn-jocher (1), Burhan-Q (1), RizwanMunawar (1)

Comentarios