Base de données sur la faune africaine

Cet ensemble de données présente quatre catégories d'animaux que l'on trouve généralement dans les réserves naturelles d'Afrique du Sud. Il comprend des images d'animaux sauvages africains tels que le buffle, l'éléphant, le rhinocéros et le zèbre, et fournit des informations précieuses sur leurs caractéristiques. Essentiel pour l'entraînement des algorithmes de vision artificielle, cet ensemble de données facilite l'identification des animaux dans divers habitats, des zoos aux forêts, et soutient la recherche sur la faune.

Regarder : Détection des animaux sauvages d'Afrique à l'aide de Ultralytics YOLO11

Structure de l'ensemble de données

L'ensemble 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 utilisé pour diverses tâches de vision par ordinateur, telles que la détection et le suivi d'objets, ainsi que pour la recherche. En particulier, il peut être utilisé pour former et évaluer des modèles d'identification d'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. En outre, il peut constituer une 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.

Jeu de données YAML

Un fichier YAML (Yet Another Markup Language) définit la configuration du jeu de données, y compris les chemins, les classes et d'autres détails pertinents. Pour le jeu de données sur la faune africaine, le fichier african-wildlife.yaml est situé à l'adresse suivante https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # 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 le jeu de données de la faune africaine pour 100 époques avec une taille d'image de 640, utilisez les exemples de code fournis. Pour obtenir une liste complète des paramètres disponibles, reportez-vous à la page d'entraînement du modèle.

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

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"

Exemples d'images et d'annotations

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 tirées de l'ensemble de données, chacune accompagnée des annotations correspondantes.

• Image mosaïque: Nous présentons ici un lot d'entraînement composé d'images mosaïquées de l'ensemble des données. La mosaïque, une technique d'apprentissage, combine plusieurs images en une seule, enrichissant ainsi la diversité du lot. Cette méthode permet d'améliorer la capacité du modèle à s'adapter à différentes tailles d'objets, à différents rapports d'aspect et à différents contextes.

Cet exemple illustre la variété et la complexité des images de l'ensemble de données sur la faune africaine et souligne les avantages de l'intégration du mosaïquage dans le processus d'apprentissage.

Citations et remerciements

Le jeu de données a été publié sous la licenceAGPL-3.0 .

FAQ

Qu'est-ce que l'African Wildlife Dataset et comment peut-il être utilisé dans des projets de vision par ordinateur ?

L'ensemble de données sur la faune africaine comprend des images de quatre espèces animales courantes 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 des algorithmes de vision artificielle à la détection d'objets et à l'identification des animaux. L'ensemble de données permet d'effectuer 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 du jeu de données et Applications du jeu de données.

Comment 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 de la faune africaine en utilisant la fonction african-wildlife.yaml fichier de configuration. Vous trouverez ci-dessous un exemple d'entraînement du modèle YOLO11n pour 100 époques avec une taille d'image de 640 :

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 d'autres paramètres et options de formation, reportez-vous à la documentation sur la formation.

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

Le fichier de configuration YAML pour l'ensemble de données sur la faune africaine, nommé african-wildlife.yamlLe site Internet de la Commission européenne est le suivant ce lien GitHub. Ce fichier définit la configuration du jeu de données, y compris les chemins d'accès, les classes et d'autres détails cruciaux pour la formation apprentissage automatique modèles. Voir les Jeu de données YAML pour plus de détails.

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

Oui, le jeu de données sur la faune africaine comprend une grande variété d'images montrant diverses espèces animales dans leurs habitats naturels. Vous pouvez consulter 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 et d'améliorer la capacité de généralisation du modèle.

Comment la base de données sur la faune africaine peut-elle être utilisée pour soutenir la conservation de la faune et la recherche ?

La base de données sur la faune africaine est idéale pour soutenir la conservation et la recherche sur la faune en permettant la formation et l'évaluation de modèles d'identification de la faune africaine dans différents habitats. Ces modèles peuvent contribuer à la surveillance des populations animales, à l'étude de leur comportement et à l'identification des besoins en matière de conservation. En outre, l'ensemble de données peut être utilisé à des fins éducatives, en aidant les étudiants et les chercheurs à comprendre les caractéristiques et les comportements des différentes espèces animales. Pour plus de détails, voir la section Applications.

📅C réé il y a 8 mois ✏️ Mis à jour il y a 2 mois

Commentaires