Link to this sectionJeu de données sur la faune africaine#

Le jeu de données African Wildlife d'Ultralytics est un jeu de données d'object detection de 1 504 images réparties en 4 classes d'animaux — buffle, éléphant, rhinocéros et zèbre — couramment trouvés dans les réserves naturelles d'Afrique du Sud. 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 computer vision destinés à la surveillance de la faune, à la conservation et à la recherche écologique.

Link to this sectionStructure 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 le African Wildlife sur la plateforme Ultralytics pour parcourir les images avec leurs superpositions d'annotations, visualiser la répartition des classes et les cartes de chaleur des boîtes englobantes dans l'onglet Charts, et clone-le pour entraîner ton propre modèle dans le cloud.

Link to this sectionApplications#

Le jeu de données African Wildlife d'Ultralytics prend en charge une gamme d'applications d'object detection :

• Conservation de la faune — détecte et compte les buffles, éléphants, rhinocéros et zèbres pour soutenir le animal population monitoring 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 le model training et la prediction.

Link to this sectionYAML 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 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

Link to this sectionUtilisation#

Pour entraîner un modèle YOLO26n sur le jeu de données African Wildlife pendant 100 epochs avec une taille d'image de 640, utilise les exemples de code fournis. Pour une liste complète des paramètres disponibles, réfère-toi à 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 entraîné, exécute l'inference 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")

Link to this sectionExemples 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.

Link to this sectionCitations, licence et remerciements#

Nous tenons à remercier l'auteur original 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. Le jeu de données source ne précise 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}
}

Link to this sectionFAQ#

Link to this sectionQu'est-ce que le jeu de données sur la faune africaine et comment peut-il être utilisé dans des projets de computer vision ?#

Le jeu de données African Wildlife est un jeu de données d'object detection de 1 504 images réparties en 4 classes d'animaux — buffle, éléphant, rhinocéros et zèbre — trouvés dans les réserves naturelles d'Afrique du Sud. Il est utilisé pour entraîner et évaluer des modèles d'identification de la faune africaine dans des images, ce qui soutient la conservation de la faune, la recherche écologique et la surveillance dans les réserves naturelles. Il sert également de ressource accessible aux étudiants et chercheurs étudiant la computer vision.

Link to this sectionCombien d'images et de classes contient le jeu de données African Wildlife ?#

Le jeu de données African Wildlife d'Ultralytics contient 1 504 images réparties en 4 classes : buffle, éléphant, rhinocéros et zèbre. 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.

Link to this sectionComment puis-je 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 manière d'entraîner le modèle YOLO26n pendant 100 epochs 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, réfère-toi à la documentation sur le Training.

Link to this sectionOù puis-je trouver le fichier de configuration YAML pour le jeu de données sur la faune africaine ?#

Le fichier de configuration YAML du jeu de données African Wildlife, nommé african-wildlife.yaml, peut être trouvé sur ce lien GitHub. Ce fichier définit la configuration du jeu de données, y compris les chemins, les classes et d'autres détails cruciaux pour l'entraînement de modèles de machine learning.

Link to this sectionSous quelle licence le jeu de données African Wildlife est-il publié ?#

Le jeu de données source ne précise pas de licence. Il a été initialement publié sur Kaggle par Bianca Ferreira et adapté par Ultralytics pour une utilisation fluide avec les modèles Ultralytics YOLO. Si tu utilises ce jeu de données dans tes recherches, merci de le citer en utilisant l'entrée BibTeX dans la section Citations.