Jeu de données sur la faune africaine

Ce jeu de données présente quatre classes d'animaux communes que l'on trouve typiquement dans les réserves naturelles d'Afrique du Sud. Il inclut des images de la faune africaine comme des buffles, des éléphants, des rhinocéros et des zèbres, offrant des informations précieuses sur leurs caractéristiques. Essentiel pour entraîner des algorithmes de vision par ordinateur, ce jeu de données aide à identifier les animaux dans divers habitats, des zoos aux forêts, et soutient la recherche sur la faune sauvage.

Structure du jeu de données

Le jeu de données de détection d'objets sur la faune africaine est divisé en trois sous-ensembles :

• Ensemble d'entraînement : Contient 1052 images, chacune avec ses annotations correspondantes.
• Ensemble de validation : Inclut 225 images, chacune avec ses annotations associées.
• Ensemble de test : Comprend 227 images, chacune avec ses annotations associées.

Applications

Ce jeu de données peut être appliqué à diverses tâches de vision par ordinateur telles que la détection d'objets, le suivi d'objets et la recherche. Plus précisément, il peut être utilisé pour entraîner et évaluer des modèles afin d'identifier des objets de la faune africaine dans des images, ce qui peut avoir des applications dans la conservation de la faune, la recherche écologique et les efforts de surveillance dans les réserves naturelles et les zones protégées. De plus, il peut servir de ressource précieuse à des fins éducatives, permettant aux étudiants et aux chercheurs d'étudier et de comprendre les caractéristiques et les comportements de différentes espèces animales.

YAML du jeu de données

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, incluant les chemins, les classes et d'autres détails pertinents. Pour le jeu de données sur la faune africaine, le fichier african-wildlife.yaml se trouve à l'adresse 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 de la faune africaine pendant 100 époques avec une taille d'image de 640, utilise les exemples de code fournis. Pour une liste complète des paramètres disponibles, consulte la page Entraînement 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)

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 d'annotations

Le jeu de données sur la faune africaine 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, accompagnées de leurs annotations correspondantes.

• Image mosaïquée : Ici, nous présentons un lot d'entraînement composé d'images mosaïquées issues du jeu de données. Le mosaïquage, 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.

Cet exemple illustre la variété et la complexité des images dans le jeu de données sur la faune africaine, en soulignant les avantages d'inclure le mosaïquage lors du processus d'entraînement.

Citations, licence et remerciements

Nous tenons à remercier l'auteure originale du jeu de données, Bianca Ferreira, pour avoir mis ce jeu de données à disposition de la communauté. L'équipe Ultralytics l'a mis à jour et adapté en interne afin qu'il puisse être utilisé de manière transparente avec les modèles Ultralytics YOLO. Ce jeu de données est disponible sous la Licence AGPL-3.0.

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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

FAQ

Qu'est-ce que le jeu de données sur la faune africaine et comment peut-il être utilisé dans des projets de vision par ordinateur ?

Le jeu de données sur la faune africaine comprend des images de quatre espèces animales communes trouvées dans les réserves naturelles d'Afrique du Sud : buffle, éléphant, rhinocéros et zèbre. C'est une ressource précieuse pour entraîner des algorithmes de vision par ordinateur à la détection d'objets et à l'identification d'animaux. Le jeu de données prend en charge diverses tâches telles que le suivi d'objets, la recherche et les efforts de conservation. Pour plus d'informations sur sa structure et ses applications, consulte la section Structure du jeu de données et les Applications du jeu de données.

Comment entraîner un modèle YOLO26 en utilisant le jeu de données sur la faune africaine ?

Tu peux entraîner un modèle YOLO26 sur le jeu de données sur la faune africaine en utilisant le fichier de configuration african-wildlife.yaml. Voici un exemple de la façon d'entraîner le modèle YOLO26n pendant 100 époques avec une taille d'image de 640 :

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)

Pour des paramètres et options d'entraînement supplémentaires, consulte la documentation sur l'Entraînement.

Où puis-je trouver le fichier de configuration YAML pour le jeu de données sur la faune africaine ?

Le fichier de configuration YAML pour le jeu de données sur la faune africaine, nommé african-wildlife.yaml, se trouve sur ce lien GitHub. Ce fichier définit la configuration du jeu de données, incluant les chemins, les classes et d'autres détails cruciaux pour l'entraînement de modèles de machine learning. Consulte la section YAML du jeu de données pour plus de détails.

Puis-je voir des exemples d'images et d'annotations du jeu de données sur la faune africaine ?

Oui, le jeu de données sur la faune africaine inclut une grande variété d'images présentant diverses espèces animales dans leurs habitats naturels. Tu peux voir des exemples d'images et leurs annotations correspondantes dans la section Exemples d'images et d'annotations. Cette section illustre également l'utilisation de la technique de mosaïquage pour combiner plusieurs images en une seule afin d'enrichir la diversité des lots, améliorant ainsi la capacité de généralisation du modèle.

Comment le jeu de données sur la faune africaine peut-il être utilisé pour soutenir la conservation et la recherche sur la faune ?

Le jeu de données sur la faune africaine est idéal pour soutenir la conservation et la recherche sur la faune en permettant l'entraînement et l'évaluation de modèles visant à identifier la faune africaine dans différents habitats. Ces modèles peuvent aider à surveiller les populations animales, à étudier leur comportement et à reconnaître les besoins en matière de conservation. De plus, le jeu de données peut être utilisé à des fins éducatives, aidant les étudiants et les chercheurs à comprendre les caractéristiques et les comportements de différentes espèces animales. Plus de détails sont disponibles dans la section Applications.