Link to this sectionDataset sulla fauna selvatica africana#

L'Ultralytics African Wildlife Dataset è un dataset di object detection di 1.504 immagini suddivise in 4 classi di animali — bufalo, elefante, rinoceronte e zebra — comunemente presenti nelle riserve naturali sudafricane. Le immagini sono pre-suddivise in 1.052 immagini di training, 225 di validazione e 227 di test, e il dataset viene scaricato automaticamente (~100 MB) la prima volta che esegui il training. È un benchmark compatto e pronto all'uso per addestrare modelli di computer vision per il monitoraggio della fauna selvatica, la conservazione e la ricerca ecologica.

Link to this sectionStruttura del dataset#

L'Ultralytics African Wildlife Dataset contiene 1.504 immagini suddivise in 4 classi (bufalo, elefante, rinoceronte e zebra), pre-suddivise in tre subset:

• Set di training: 1.052 immagini, ciascuna con le relative annotazioni.
• Set di validazione: 225 immagini, ciascuna con annotazioni abbinate.
• Set di test: 227 immagini, ciascuna con annotazioni abbinate.

Esplora African Wildlife on Ultralytics Platform per navigare tra le immagini con le relative sovrapposizioni di annotazione, visualizzare la distribuzione delle classi e le mappe di calore dei bounding-box nella scheda Charts, e clonalo per addestrare il tuo modello nel cloud.

Link to this sectionApplicazioni#

L'Ultralytics African Wildlife Dataset supporta una vasta gamma di applicazioni di object detection:

• Conservazione della fauna selvatica — rileva e conta bufali, elefanti, rinoceronti e zebre per supportare il monitoraggio della popolazione animale nelle riserve naturali e nelle aree protette.
• Ricerca ecologica — studia la distribuzione e il comportamento delle specie in diversi habitat.
• Sorveglianza anti-bracconaggio — segnala la presenza di animali in riprese di fototrappole o droni su ampie aree protette.
• Istruzione e prototipazione — un dataset compatto a quattro classi per imparare l'addestramento del modello e la predizione.

Link to this sectionDataset YAML#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli pertinenti. Per l'African Wildlife Dataset, il file african-wildlife.yaml si trova su 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 sectionUtilizzo#

Per addestrare un modello YOLO26n sull'African Wildlife Dataset per 100 epochs con una dimensione immagine di 640, usa gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consulta la pagina Training del modello.

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)

Una volta addestrato, esegui l'inference con il modello fine-tuned su nuove immagini:

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 sectionEsempi di immagini e annotazioni#

L'African Wildlife Dataset comprende un'ampia varietà di immagini che mostrano diverse specie animali e i loro habitat naturali. Di seguito sono riportati esempi di immagini dal dataset, ciascuna accompagnata dalle relative annotazioni.

• Immagine Mosaico: qui presentiamo un batch di addestramento composto da immagini del dataset mosaicate. Il mosaicing, una tecnica di addestramento, combina più immagini in una sola, arricchendo la diversità del batch. Questo metodo aiuta a migliorare la capacità del modello di generalizzare tra diverse dimensioni degli oggetti, rapporti d'aspetto e contesti.

Link to this sectionCitazioni, licenza e riconoscimenti#

Vorremmo ringraziare l'autrice originale del dataset, Bianca Ferreira, per aver rilasciato questo dataset alla community. Il team di Ultralytics lo ha aggiornato e adattato internamente affinché possa essere utilizzato senza problemi con i modelli Ultralytics YOLO. Il dataset originale non specifica alcuna licenza.

Se utilizzi questo dataset nella tua ricerca, ti preghiamo di citarlo utilizzando i dettagli menzionati:

@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 sectionCos'è il dataset sulla fauna selvatica africana e come può essere utilizzato nei progetti di computer vision?#

L'African Wildlife Dataset è un dataset di object detection di 1.504 immagini suddivise in 4 classi di animali — bufalo, elefante, rinoceronte e zebra — presenti nelle riserve naturali sudafricane. Viene utilizzato per addestrare e valutare modelli per l'identificazione della fauna selvatica africana nelle immagini, il che supporta la conservazione della fauna, la ricerca ecologica e il monitoraggio nelle riserve naturali. Serve anche come risorsa accessibile per studenti e ricercatori che studiano la computer vision.

Link to this sectionQuante immagini e classi ci sono nell'African Wildlife Dataset?#

L'Ultralytics African Wildlife Dataset contiene 1.504 immagini suddivise in 4 classi: bufalo, elefante, rinoceronte e zebra. Le immagini sono pre-suddivise in 1.052 immagini di training, 225 di validazione e 227 di test, e il dataset viene scaricato automaticamente (~100 MB) la prima volta che esegui il training.

Link to this sectionCome posso addestrare un modello YOLO26 utilizzando il dataset sulla fauna selvatica africana?#

Puoi addestrare un modello YOLO26 sul dataset sulla fauna selvatica africana utilizzando il file di configurazione african-wildlife.yaml. Di seguito è riportato un esempio di come addestrare il modello YOLO26n per 100 epoch con una dimensione dell'immagine di 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)

Per ulteriori parametri e opzioni di addestramento, consulta la documentazione Training.

Link to this sectionDove posso trovare il file di configurazione YAML per il dataset sulla fauna selvatica africana?#

Il file di configurazione YAML per l'African Wildlife Dataset, chiamato african-wildlife.yaml, può essere trovato a questo link GitHub. Questo file definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli cruciali per l'addestramento di modelli di machine learning.

Link to this sectionSotto quale licenza viene rilasciato l'African Wildlife Dataset?#

Il dataset di origine non specifica alcuna licenza. È stato originariamente pubblicato su Kaggle da Bianca Ferreira e adattato da Ultralytics per un utilizzo ottimale con i modelli Ultralytics YOLO. Se utilizzi il dataset nella tua ricerca, ti preghiamo di citarlo usando la voce BibTeX nella sezione Citations.