Saltar al contenido

Conjunto de datos sobre la fauna africana

This dataset showcases four common animal classes typically found in South African nature reserves. It includes images of African wildlife such as buffalo, elephant, rhino, and zebra, providing valuable insights into their characteristics. Essential for training computer vision algorithms, this dataset aids in identifying animals in various habitats, from zoos to forests, and supports wildlife research.



Observa: African Wildlife Animals Detection using 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

This dataset can be applied in various computer vision tasks such as object detection, object tracking, and research. Specifically, it can be used to train and evaluate models for identifying African wildlife objects in images, which can have applications in wildlife conservation, ecological research, and monitoring efforts in natural reserves and protected areas. Additionally, it can serve as a valuable resource for educational purposes, enabling students and researchers to study and understand the characteristics and behaviors of different animal species.

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/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

To train a YOLO11n model on the African wildlife dataset for 100 epochs with an image size of 640, use the provided code samples. For a comprehensive list of available parameters, refer to the model's Training page.

Ejemplo de tren

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

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 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 de muestra del conjunto de datos sobre la fauna africana

  • 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 .

PREGUNTAS FRECUENTES

¿Qué es el Conjunto de Datos de la Fauna Africana y cómo puede utilizarse en proyectos de visión por ordenador?

El Conjunto de Datos de la Fauna Africana incluye imágenes de cuatro especies animales comunes en las reservas naturales sudafricanas: búfalo, elefante, rinoceronte y cebra. Es un recurso valioso para entrenar algoritmos de visión por ordenador en la detección de objetos y la identificación de animales. El conjunto de datos sirve de apoyo a diversas tareas, como el seguimiento de objetos, la investigación y los esfuerzos de conservación. Para más información sobre su estructura y aplicaciones, consulta la sección Estructura del conjunto de datos y Aplicaciones del conjunto de datos.

How do I train a YOLO11 model using the African Wildlife Dataset?

You can train a YOLO11 model on the African Wildlife Dataset by using the african-wildlife.yaml configuration file. Below is an example of how to train the YOLO11n model for 100 epochs with an image size of 640:

Ejemplo

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, consulta la documentación de Entrenamiento.

¿Dónde puedo encontrar el archivo de configuración YAML para el Conjunto de datos sobre la fauna africana?

El archivo de configuración YAML para el Conjunto de datos sobre la fauna africana, llamado african-wildlife.yamlse puede encontrar en este enlace GitHub. This file defines the dataset configuration, including paths, classes, and other details crucial for training machine learning models. See the Conjunto de datos YAML para más detalles.

¿Puedo ver imágenes de muestra y anotaciones del Conjunto de datos sobre la fauna africana?

Sí, el Conjunto de Datos sobre la Fauna Africana incluye una gran variedad de imágenes que muestran diversas especies animales en sus hábitats naturales. Puedes 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 para enriquecer la diversidad del lote, mejorando la capacidad de generalización del modelo.

¿Cómo puede utilizarse el Conjunto de Datos sobre la Fauna y Flora Silvestres Africanas para apoyar la conservación y la investigación de la fauna y flora silvestres?

El Conjunto de Datos sobre la Fauna Africana es ideal para apoyar la conservación y la investigación de la fauna, ya que permite entrenar y evaluar modelos para identificar la fauna africana en distintos hábitats. Estos modelos pueden ayudar a controlar 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. Puedes encontrar más detalles en la sección Aplicaciones.


📅C reado hace 6 meses ✏️ Actualizado hace 8 días

Comentarios