Ensemble de données sur la faune africaine

Cet ensemble de données présente quatre classes d'animaux communs 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 indications précieuses sur leurs caractéristiques. Essentiel pour l'entraînement des algorithmes de vision par ordinateur, cet ensemble de données aide à identifier les animaux dans divers habitats, des zoos aux forêts, et soutient la recherche sur la faune.

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 appliqué à diverses tâches de vision par ordinateur, telles que la détection et le suivi d'objets, et la recherche. Plus précisément, il peut être utilisé pour former et évaluer des modèles permettant 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. 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 Le fichier se trouve 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://ultralytics.com/assets/african-wildlife.zip

Utilisation

Pour entraîner un modèle YOLOv8n sur l'ensemble de données de la faune africaine pour 100 époques avec une taille d'image de 640, utilise les exemples de code fournis. Pour obtenir une liste complète des paramètres disponibles, reporte-toi à la page Formation du modèle.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.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. Tu trouveras 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 de données mosaïquées. La mosaïque, une technique de formation, combine plusieurs images en une seule, enrichissant ainsi la diversité du lot. Cette méthode permet d'améliorer la capacité du modèle à se généraliser en fonction de la taille des objets, des rapports d'aspect et des contextes.

Cet exemple illustre la variété et la complexité des images de l'ensemble de données sur la faune africaine, soulignant les avantages d'inclure le mosaïquage pendant le processus de formation.

Citations et remerciements

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

Commentaires