Dataset African Wildlife#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

Il dataset African Wildlife di Ultralytics è un dataset per il rilevamento degli oggetti composto da 1.504 immagini di 4 classi animali — bufalo, elefante, rinoceronte e zebra — comunemente presenti nelle riserve naturali del Sudafrica. Le immagini sono suddivise in 1.052 immagini di addestramento, 225 di convalida e 227 di test; il dataset viene scaricato automaticamente (~100 MB) al primo addestramento. È un benchmark compatto e pronto all'uso per addestrare modelli di visione artificiale destinati al monitoraggio della fauna selvatica, alla conservazione e alla ricerca ecologica.

Struttura del dataset#

Il dataset African Wildlife di Ultralytics contiene 1.504 immagini suddivise in 4 classi (bufalo, elefante, rinoceronte e zebra), ripartite in anticipo in tre sottoinsiemi:

• Set di addestramento: 1.052 immagini, ciascuna con le relative annotazioni.
• Set di convalida: 225 immagini, ciascuna con le annotazioni corrispondenti.
• Set di test: 227 immagini, ciascuna con le annotazioni corrispondenti.

Esplora African Wildlife sulla piattaforma Ultralytics per sfogliare le immagini con le sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei bounding box nella scheda Charts e clonare il dataset per addestrare il tuo modello nel cloud.

Applicazioni#

Il dataset African Wildlife di Ultralytics supporta diverse applicazioni di rilevamento degli oggetti:

• Conservazione della fauna selvatica — rileva e conta bufali, elefanti, rinoceronti e zebre per supportare il monitoraggio delle popolazioni animali nelle riserve naturali e nelle aree protette.
• Ricerca ecologica — studia la distribuzione e il comportamento delle specie nei diversi habitat.
• Sorveglianza contro il bracconaggio — individua gli animali nei filmati delle fototrappole o dei droni in vaste aree protette.
• Formazione e prototipazione — un dataset compatto di quattro classi per imparare l'addestramento dei modelli e la predizione.

YAML del dataset#

Un file YAML definisce la configurazione del dataset, inclusi i percorsi, le classi e altri dettagli pertinenti. Per il dataset African Wildlife, il file african-wildlife.yaml si trova in 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

Utilizzo#

Per addestrare un modello YOLO26n sul dataset African Wildlife per 100 epoche con una dimensione delle immagini di 640, usa gli esempi di codice forniti. Per l'elenco completo dei parametri disponibili, consulta la pagina Addestramento del modello.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n.pt")  # carica un modello preaddestrato (consigliato per l'addestramento)

# Addestra il modello
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Una volta completato l'addestramento, esegui l'inferenza con il modello ottimizzato su nuove immagini:

from ultralytics import YOLO

# Carica un modello
model = YOLO("path/to/best.pt")  # carica un modello ottimizzato su fauna selvatica africana

# Inferenza con il modello
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Immagini di esempio e annotazioni#

Il dataset African Wildlife comprende un'ampia varietà di immagini che mostrano diverse specie animali e i loro habitat naturali. Di seguito trovi alcuni esempi di immagini del dataset, ciascuna accompagnata dalle relative annotazioni.

• Immagine mosaificata: qui mostriamo un batch di addestramento composto da immagini del dataset mosaificate. La mosaificazione, una tecnica di addestramento, combina più immagini in una sola, aumentando la diversità del batch. Questo metodo contribuisce a migliorare la capacità del modello di generalizzare a dimensioni, proporzioni e contesti diversi degli oggetti.

Citazioni, licenza e ringraziamenti#

Ringraziamo l'autrice originale del dataset, Bianca Ferreira, per averlo reso disponibile alla community. Il team Ultralytics lo ha aggiornato e adattato internamente per consentirne l'uso diretto con i modelli Ultralytics YOLO. Il dataset di origine non specifica una licenza.

Se usi questo dataset nella tua ricerca, cita il dataset usando i dettagli indicati:

@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}
}

Domande frequenti#