African Wildlife Dataset
Questo dataset presenta quattro classi di animali comuni che si trovano tipicamente nelle riserve naturali sudafricane. Include immagini di fauna selvatica africana come bufali, elefanti, rinoceronti e zebre, fornendo preziose informazioni sulle loro caratteristiche. Essenziale per l'addestramento di algoritmi di computer vision, questo dataset aiuta a identificare gli animali in vari habitat, dagli zoo alle foreste, e supporta la ricerca sulla fauna selvatica.
Guarda: Rilevamento di animali selvatici africani utilizzando Ultralytics YOLO11
Struttura del set di dati
Il dataset per il rilevamento di oggetti della fauna selvatica africana è suddiviso in tre sottoinsiemi:
- Set di addestramento: Contiene 1052 immagini, ognuna con le relative annotazioni.
- Set di validazione: Include 225 immagini, ognuna con annotazioni abbinate.
- Set di test: Comprende 227 immagini, ognuna con annotazioni abbinate.
Applicazioni
Questo dataset può essere applicato in varie attività di visione artificiale come il rilevamento di oggetti, il tracciamento di oggetti e la ricerca. Nello specifico, può essere utilizzato per addestrare e valutare modelli per l'identificazione di oggetti della fauna selvatica africana nelle immagini, il che può avere applicazioni nella conservazione della fauna selvatica, nella ricerca ecologica e negli sforzi di monitoraggio nelle riserve naturali e nelle aree protette. Inoltre, può servire come risorsa preziosa per scopi educativi, consentendo a studenti e ricercatori di studiare e comprendere le caratteristiche e i comportamenti di diverse specie animali.
YAML del set di dati
Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli pertinenti. Per il dataset della fauna selvatica africana, il african-wildlife.yaml
il file si trova in 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
Utilizzo
Per addestrare un modello YOLO11n sul dataset della fauna selvatica africana per 100 epoche con una dimensione dell'immagine di 640, utilizzare gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consultare la pagina Training del modello.
Esempio di addestramento
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
Esempio di inferenza
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"
Immagini di esempio e annotazioni
Il dataset sulla fauna selvatica africana comprende un'ampia varietà di immagini che mostrano diverse specie animali e i loro habitat naturali. Di seguito sono riportati esempi di immagini del dataset, ciascuna accompagnata dalle relative annotazioni.
- Immagine mosaicata: Qui presentiamo un batch di addestramento composto da immagini del dataset mosaicato. 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, proporzioni e contesti.
Questo esempio illustra la varietà e la complessità delle immagini nel dataset sulla fauna selvatica africana, sottolineando i vantaggi dell'inclusione del mosaicing durante il processo di addestramento.
Citazioni e ringraziamenti
Il dataset è stato rilasciato con la licenza AGPL-3.0.
FAQ
Cos'è l'African Wildlife Dataset e come può essere utilizzato nei progetti di computer vision?
Il dataset sulla fauna selvatica africana include immagini di quattro specie animali comuni che si trovano nelle riserve naturali sudafricane: bufalo, elefante, rinoceronte e zebra. È una risorsa preziosa per l'addestramento di algoritmi di visione artificiale nel rilevamento di oggetti e nell'identificazione di animali. Il dataset supporta varie attività come il tracciamento di oggetti, la ricerca e gli sforzi di conservazione. Per ulteriori informazioni sulla sua struttura e sulle sue applicazioni, fare riferimento alla sezione Struttura del dataset e alle Applicazioni del dataset.
Come posso addestrare un modello YOLO11 utilizzando l'African Wildlife Dataset?
È possibile addestrare un modello YOLO11 sul dataset sulla fauna selvatica africana utilizzando il african-wildlife.yaml
file di configurazione. Di seguito è riportato un esempio di come addestrare il modello YOLO11n per 100 epoche con una dimensione dell'immagine di 640:
Esempio
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
Per ulteriori parametri e opzioni di addestramento, consultare la documentazione Training.
Dove posso trovare il file di configurazione YAML per l'African Wildlife Dataset?
Il file di configurazione YAML per l'African Wildlife Dataset, denominato african-wildlife.yaml
, è disponibile all'indirizzo questo link di GitHub. Questo file definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli cruciali per l'addestramento apprendimento automatico modelli. Consulta la YAML del set di dati sezione per maggiori dettagli.
Posso vedere sample_images e annotazioni dall'African Wildlife Dataset?
Sì, l'African Wildlife Dataset include un'ampia varietà di immagini che mostrano diverse specie animali nei loro habitat naturali. Puoi visualizzare sample_images e le relative annotazioni nella sezione Sample Images and Annotations. Questa sezione illustra anche l'uso della tecnica di mosaicing per combinare più immagini in una sola per una maggiore diversità dei batch, migliorando la capacità di generalizzazione del modello.
Come può l'African Wildlife Dataset essere utilizzato per supportare la conservazione e la ricerca sulla fauna selvatica?
L'African Wildlife Dataset è ideale per supportare la conservazione e la ricerca della fauna selvatica, consentendo l'addestramento e la valutazione di modelli per identificare la fauna selvatica africana in diversi habitat. Questi modelli possono aiutare nel monitoraggio delle popolazioni animali, nello studio del loro comportamento e nel riconoscimento delle esigenze di conservazione. Inoltre, il dataset può essere utilizzato per scopi didattici, aiutando studenti e ricercatori a comprendere le caratteristiche e i comportamenti delle diverse specie animali. Ulteriori dettagli sono disponibili nella sezione Applicazioni.