Ensemble de données African Wildlife Dataset
Ce jeu de données présente quatre classes d'animaux courants que l'on trouve généralement dans les réserves naturelles d'Afrique du Sud. Il comprend des images de la faune africaine telles que des buffles, des éléphants, des rhinocéros et des zèbres, offrant ainsi des informations précieuses sur leurs caractéristiques. Essentiel pour l'entraînement des algorithmes de vision artificielle, ce jeu de données aide à identifier les animaux dans divers habitats, des zoos aux forêts, et soutient la recherche sur la faune.
Regarder : Détection d'animaux sauvages africains à l'aide de Ultralytics YOLO11
Structure du jeu de données
Le jeu de données de détection d'objets de la faune africaine est divisé en trois sous-ensembles :
- Ensemble d'entraînement : Contient 1052 images, chacune avec les annotations correspondantes.
- Ensemble de validation : Comprend 225 images, chacune avec des annotations appariées.
- Ensemble de test : Comprend 227 images, chacune avec des annotations appariées.
Applications
Cet ensemble de données peut être appliqué dans 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 pour identifier les objets de la faune africaine dans les 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 des différentes espèces animales.
YAML du jeu de données
Un fichier YAML (Yet Another Markup Language) définit la configuration de l'ensemble de données, y compris les chemins d'accès, les classes et d'autres détails pertinents. Pour l'ensemble de données sur la faune africaine, le african-wildlife.yaml
le fichier est situé à 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 YOLO11n sur l'ensemble de données de la faune africaine pendant 100 epochs avec une taille d'image de 640, utilisez les exemples de code fournis. Pour une liste complète des paramètres disponibles, consultez la page Formation du modèle.
Exemple d'entraînement
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolo11n.pt epochs=100 imgsz=640
Exemple d'inférence
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a brain-tumor fine-tuned model
# Inference using the model
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")
# Start prediction with a finetuned *.pt model
yolo detect predict model='path/to/best.pt' imgsz=640 source="https://ultralytics.com/assets/african-wildlife-sample.jpg"
Images et annotations d'exemple
L'ensemble de données sur la faune africaine comprend une grande variété d'images présentant diverses espèces animales et leurs habitats naturels. Vous trouverez ci-dessous des exemples d'images de l'ensemble de données, chacune accompagnée de ses annotations correspondantes.
- Image en mosaïque : Ici, nous présentons un lot d'entraînement composé d'images d'ensemble de données en mosaïque. La mosaïque, une technique d'entraînement, combine plusieurs images en une seule, enrichissant la diversité des lots. Cette méthode contribue à améliorer la capacité du modèle à généraliser à travers différentes tailles d'objets, rapports d'aspect et contextes.
Cet exemple illustre la variété et la complexité des images dans l'ensemble de données sur la faune africaine, soulignant les avantages de l'inclusion de la mosaïque pendant le processus d'entraînement.
Citations et remerciements
L'ensemble de données a été publié sous la licence AGPL-3.0.
FAQ
Qu'est-ce que l'ensemble de données sur la faune africaine et comment peut-il être utilisé dans les projets de vision par ordinateur ?
L'ensemble de données sur la faune africaine comprend des images de quatre espèces animales courantes que l'on trouve dans les réserves naturelles d'Afrique du Sud : le buffle, l'éléphant, le rhinocéros et le zèbre. Il s'agit d'une ressource précieuse pour l'entraînement d'algorithmes de vision par ordinateur dans la détection d'objets et l'identification des animaux. L'ensemble 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, consultez la section Structure de l'ensemble de données et les Applications de l'ensemble de données.
Comment puis-je entraîner un modèle YOLO11 à l'aide de l'ensemble de données sur la faune africaine ?
Vous pouvez entraîner un modèle YOLO11 sur l’ensemble de données African Wildlife en utilisant le african-wildlife.yaml
fichier de configuration. Vous trouverez ci-dessous un exemple de la façon d’entraîner le modèle YOLO11n pour 100 époques avec une taille d’image de 640 :
Exemple
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo detect train data=african-wildlife.yaml model=yolo11n.pt epochs=100 imgsz=640
Pour connaître les paramètres et options de formation supplémentaires, consultez la documentation Formation.
Où puis-je trouver le fichier de configuration YAML pour l'ensemble de données African Wildlife Dataset ?
Le fichier de configuration YAML pour l'ensemble de données African Wildlife, nommé african-wildlife.yaml
, se trouve à l'adresse ce lien GitHub. Ce fichier définit la configuration de l'ensemble de données, y compris les chemins d'accès, les classes et d'autres détails essentiels pour l'entraînement apprentissage automatique modèles. Voir la YAML du jeu de données section pour plus de détails.
Puis-je voir des sample_images et des annotations de l'ensemble de données African Wildlife Dataset ?
Oui, l'ensemble de données African Wildlife comprend une grande variété d'images présentant diverses espèces animales dans leurs habitats naturels. Vous pouvez afficher des sample_images et leurs annotations correspondantes dans la section Sample Images and Annotations. Cette section illustre également l'utilisation de la technique de mosaïque pour combiner plusieurs images en une seule pour une diversité de lots enrichie, améliorant ainsi la capacité de généralisation du modèle.
Comment l'ensemble de données African Wildlife Dataset peut-il être utilisé pour soutenir la conservation de la faune et la recherche ?
L'ensemble de données sur la faune africaine est idéal pour soutenir la conservation et la recherche sur la faune en permettant la formation et l'évaluation de modèles pour 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, l'ensemble de données peut être utilisé à des fins éducatives, aidant les étudiants et les chercheurs à comprendre les caractéristiques et les comportements des différentes espèces animales. Plus de détails sont disponibles dans la section Applications.