Commencer

Jeu de données sur la faune africaine

Le jeu de données Ultralytics sur la faune africaine est un jeu de données de détection d’objets composé de 1 504 images réparties sur 4 classes d’animaux — buffle, éléphant, rhinocéros et zèbre — que l’on trouve couramment dans les réserves naturelles d’Afrique du Sud. Les images sont réparties à l’avance en 1 052 images d’entraînement, 225 de validation et 227 de test. Le jeu de données se télécharge automatiquement (~100 MB) lors du premier entraînement. Il s’agit d’un benchmark compact et prêt à l’emploi pour entraîner des modèles de vision par ordinateur destinés au suivi de la faune, à la conservation et à la recherche écologique.



Regarder : Comment entraîner Ultralytics YOLO26 sur le jeu de données African Wildlife | Inférence, métriques et exportation ONNX 🐘

Structure du jeu de données#

Le jeu de données Ultralytics sur la faune africaine contient 1 504 images réparties sur 4 classes (buffle, éléphant, rhinocéros et zèbre), réparties à l’avance en trois sous-ensembles :

  • Ensemble d’entraînement : 1 052 images, chacune accompagnée de ses annotations.
  • Ensemble de validation : 225 images, chacune accompagnée de ses annotations.
  • Ensemble de test : 227 images, chacune accompagnée de ses annotations.
Téléchargement automatique

Le jeu de données sur la faune africaine (~100 MB) se télécharge automatiquement au début de ton premier entraînement : aucun téléchargement ni préparation manuels ne sont nécessaires.

Explore la faune africaine sur Ultralytics Platform pour parcourir les images avec leurs annotations superposées, consulter la répartition des classes et les cartes thermiques des boîtes englobantes dans l’onglet Charts, puis le cloner afin d’entraîner ton propre modèle dans le cloud.

Applications#

Le jeu de données African Wildlife d'Ultralytics prend en charge un large éventail d'applications de détection d'objets :

  • Conservation de la faune — détecter et compter les buffles, les éléphants, les rhinocéros et les zèbres afin de contribuer au suivi des populations animales dans les réserves naturelles et les zones protégées.
  • Recherche écologique — étudier la répartition et le comportement des espèces dans différents habitats.
  • Surveillance contre le braconnage — repérer les animaux dans les images de pièges photographiques ou de drones couvrant de vastes zones protégées.
  • Éducation et prototypage — un jeu de données compact à quatre classes pour apprendre l’entraînement de modèles et la prédiction.

Fichier YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, notamment les chemins, les classes et d’autres informations pertinentes. Pour le jeu de données sur la faune africaine, le fichier african-wildlife.yaml se trouve dans https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

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

Utilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données African Wildlife pendant 100 époques, avec une taille d’image de 640, utilise les exemples de code fournis.

Exemple d’entraînement
from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Une fois l'entraînement terminé, lance l'inférence avec le modèle affiné sur de nouvelles images :

Exemple d’inférence
from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/best.pt")  # charger un modèle affiné sur la faune africaine

# Inférence avec le modèle
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Exemples d’images et annotations#

Le jeu de données African Wildlife comprend une grande variété d'images représentant diverses espèces animales dans leurs habitats naturels. Tu trouveras ci-dessous des exemples d'images du jeu de données, accompagnés de leurs annotations correspondantes.

Exemple d’image du jeu de données sur la faune africaine

  • Image mosaïquée : ce lot d'entraînement combine plusieurs images du jeu de données en une seule par mosaïquage, une technique d'augmentation des données qui accroît la diversité du lot et aide le modèle à généraliser à différentes tailles d'objets, proportions et contextes.

Citations, licence et remerciements#

Nous remercions l'auteure du jeu de données original, Bianca Ferreira, de l'avoir mis à la disposition de la communauté. L'équipe Ultralytics l'a mis à jour et adapté en interne pour une utilisation avec les modèles Ultralytics YOLO. Le jeu de données source ne précise aucune licence.

Si tu utilises ce jeu de données dans tes recherches, cite-le à l’aide des informations indiquées :

Citation
@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}
}

FAQ#

  • Le jeu de données sur la faune africaine est un jeu de données de détection d’objets composé de 1 504 images réparties sur 4 classes d’animaux — buffle, éléphant, rhinocéros et zèbre — que l’on trouve dans les réserves naturelles d’Afrique du Sud. Il sert à entraîner et à évaluer des modèles capables d’identifier la faune africaine dans des images, ce qui contribue à la conservation de la faune, à la recherche écologique et au suivi dans les réserves naturelles. C’est également une ressource accessible aux étudiants et aux chercheurs qui étudient la vision par ordinateur.

  • Le jeu de données Ultralytics sur la faune africaine contient 1 504 images réparties sur 4 classes : buffle, éléphant, rhinocéros et zèbre. Les images sont réparties à l’avance en 1 052 images d’entraînement, 225 de validation et 227 de test. Le jeu de données se télécharge automatiquement (~100 MB) lors du premier entraînement.

  • Tu peux entraîner un modèle YOLO26 sur le jeu de données sur la faune africaine à l’aide du fichier de configuration african-wildlife.yaml. Voici un exemple d’entraînement du modèle YOLO26n pendant 100 époques avec une taille d’image de 640 :

    Exemple
    from ultralytics import YOLO
    
    # Charger un modèle
    model = YOLO("yolo26n.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)
    
    # Entraîner le modèle
    results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

    Pour en savoir plus sur les paramètres et options d’entraînement, consulte la documentation Entraînement.

  • Le fichier de configuration YAML du jeu de données African Wildlife d'Ultralytics, african-wildlife.yaml, définit sa configuration, notamment les chemins, les classes et d'autres informations essentielles à l'entraînement de modèles de machine learning.

  • Le jeu de données source ne précise aucune licence. Il a été publié à l'origine sur Kaggle par Bianca Ferreira, puis adapté par Ultralytics pour être utilisé avec les modèles Ultralytics YOLO. Si tu utilises ce jeu de données dans tes recherches, cite-le à l'aide de l'entrée BibTeX de la section Citations.

Commentaires2

Pose une question, partage tes résultats ou aide quelqu’un d’autre.

    1. Glenn JocherUltralytics(modifié)

      Para citar o conjunto de dados African Wildlife, use a entrada BibTeX da seção Citações e agradecimentos da documentação. O conjunto de dados original foi criado por Bianca Ferreira (Kaggle) e adaptado pela Ultralytics para os modelos Ultralytics YOLO.