Jeu de données sur la faune africaine#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

Le jeu de données Ultralytics sur la faune africaine est un jeu de données de détection d’objets composé de 1 504 images réparties entre 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 préalablement réparties en 1 052 images d’entraînement, 225 images de validation et 227 images de test, et le jeu de données se télécharge automatiquement (~100 Mo) la première fois que tu lances un 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.

Structure du jeu de données#

Le jeu de données Ultralytics sur la faune africaine contient 1 504 images réparties entre 4 classes (buffle, éléphant, rhinocéros et zèbre), préalablement réparties 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 correspondantes.
• Ensemble de test : 227 images, chacune accompagnée de ses annotations correspondantes.

Explore African Wildlife sur Ultralytics Platform pour parcourir les images avec leurs superpositions d’annotations, 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 Ultralytics sur la faune africaine prend en charge diverses applications de détection d’objets :

• Conservation de la faune — détecter et compter les buffles, éléphants, rhinocéros et zèbres pour 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 — signaler les animaux présents dans des images de pièges photographiques ou des séquences de drone 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.

YAML du jeu de données#

Un fichier YAML définit la configuration du jeu de données, notamment 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 sur la faune africaine pendant 100 époques avec une taille d’image de 640, utilise les exemples de code fournis. Pour obtenir la 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)

Une fois l’entraînement terminé, exécute 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 d’annotations#

Le jeu de données sur la faune africaine comprend une grande variété d’images présentant diverses espèces animales et leurs habitats naturels. Voici des exemples d’images du jeu de données, chacune accompagnée de ses annotations correspondantes.

• Image mosaïquée : voici un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque, une technique d’entraînement, combine plusieurs images en une seule afin d’enrichir la diversité des lots. Cette méthode aide à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

Citations, licence et remerciements#

Nous remercions l’autrice 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 afin qu’il puisse être utilisé de manière fluide 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 en utilisant les informations indiquées :

@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#