Jeu de données sur la faune africaine#

1,483

african wildlife

ultralytics

publicDetect

Object detection dataset with 1,400+ images of African wildlife including buffalo, elephant, rhino, and zebra. Ideal for training wildlife monitoring and conservation AI models.

74 classes194.1 MBApr 28, 2026

buffaloelephantrhinozebra

Le jeu de données Ultralytics African Wildlife est un jeu de données de détection d'objets contenant 1 504 images réparties sur 4 classes d'animaux — buffle, éléphant, rhinocéros et zèbre — que l'on trouve couramment dans les réserves naturelles sud-africaines. Les images sont pré-divisées en 1 052 images d'entraînement, 225 de validation et 227 de test, et le jeu de données se télécharge automatiquement (~100 Mo) lors de ton premier entraînement. C'est un benchmark compact et prêt à l'emploi pour entraîner des modèles de vision par ordinateur pour la surveillance de la faune, la conservation et la recherche écologique.

Structure du jeu de données#

Le jeu de données African Wildlife d'Ultralytics contient 1 504 images réparties en 4 classes (buffle, éléphant, rhinocéros et zèbre), pré-divisées en trois sous-ensembles :

• Ensemble d'entraînement : 1 052 images, chacune avec ses annotations correspondantes.
• Ensemble de validation : 225 images, chacune avec ses annotations associées.
• Ensemble de test : 227 images, chacune avec ses annotations associées.

Explore African Wildlife on Ultralytics Platform pour parcourir les images avec leurs superpositions d'annotations, consulter la distribution des classes et les cartes de chaleur des boîtes englobantes dans l'onglet Charts, et le cloner pour entraîner ton propre modèle dans le cloud.

Applications#

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

• Conservation de la faune — détecter et compter les buffles, éléphants, rhinocéros et zèbres pour soutenir la surveillance des populations animales dans les réserves naturelles et les zones protégées.
• Recherche écologique — étudie la répartition et le comportement des espèces à travers différents habitats.
• Surveillance anti-braconnage — signale les animaux dans les séquences de caméras-pièges ou de drones au-dessus de vastes zones protégées.
• Éducation et prototypage — un jeu de données compact à quatre classes pour apprendre l'entraînement de modèles et la prédiction.

YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, y compris les chemins, les classes et d'autres détails pertinents. Pour le jeu de données African Wildlife, le fichier african-wildlife.yaml se trouve sur https://github.com/ultralytics/ultralytics/blob/main/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. Pour une liste exhaustive des paramètres disponibles, consulte la page Training du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load a pretrained model (recommended for training)

# Train the model
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 :

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load an African wildlife fine-tuned model

# Inference using the model
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 présentant diverses espèces animales et leurs habitats naturels. Tu trouveras ci-dessous des exemples d'images issues du jeu de données, chacune accompagnée de ses annotations correspondantes.

• Image mosaïquée : ici, nous présentons un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque, une technique d'entraînement, combine plusieurs images en une seule, enrichissant la diversité des lots. Cette méthode aide à améliorer la capacité du modèle à généraliser à travers différentes tailles d'objets, ratios d'aspect et contextes.

Citations, licence et remerciements#

Nous tenons à remercier l'auteur du jeu de données d'origine, Bianca Ferreira, d'avoir publié ce jeu de données pour la communauté. L'équipe d'Ultralytics l'a mis à jour et adapté en interne afin qu'il puisse être utilisé de manière transparente avec les modèles Ultralytics YOLO. Le jeu de données source ne spécifie pas de licence.

Si tu utilises ce jeu de données dans tes recherches, merci de le citer en utilisant les détails mentionnés :

@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#