Dataset sulla fauna selvatica africana
Questo dataset presenta quattro comuni classi di animali tipicamente presenti nelle riserve naturali sudafricane. Include immagini di fauna selvatica africana come bufali, elefanti, rinoceronti e zebre, fornendo informazioni preziose sulle loro caratteristiche. Fondamentale per addestrare 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.
Watch: How to Train Ultralytics YOLO26 on the African Wildlife Dataset | Inference, Metrics & ONNX Export 🐘
Struttura del dataset
Il dataset di rilevamento di oggetti della fauna selvatica africana è suddiviso in tre sottoinsiemi:
- Set di training: contiene 1052 immagini, ciascuna con le relative annotazioni.
- Set di validazione: include 225 immagini, ciascuna con annotazioni abbinate.
- Set di testing: comprende 227 immagini, ciascuna con annotazioni abbinate.
Applicazioni
Questo dataset può essere applicato in vari task di computer vision come object detection, object tracking e ricerca. In particolare, può essere utilizzato per addestrare e valutare modelli per l'identificazione di oggetti di fauna selvatica africana nelle immagini, il che può avere applicazioni nella conservazione della fauna selvatica, nella ricerca ecologica e negli sforzi di monitoraggio in riserve naturali e aree protette. Inoltre, può servire come risorsa preziosa per scopi didattici, consentendo a studenti e ricercatori di studiare e comprendere le caratteristiche e i comportamenti di diverse specie animali.
YAML del dataset
Un file YAML (Yet Another Markup Language) definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli pertinenti. Per il dataset sulla fauna selvatica africana, 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.zipUtilizzo
Per addestrare un modello YOLO26n sul dataset della fauna selvatica africana per 100 epochs con una dimensione immagine di 640, usa i campioni 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)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")Immagini campione e annotazioni
Il dataset della 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 dal dataset, ciascuna accompagnata dalle relative annotazioni.
- Immagine a mosaico: qui presentiamo un batch di training composto da immagini del dataset a mosaico. Il mosaico, 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 su diverse dimensioni di oggetti, proporzioni e contesti.
Questo esempio illustra la varietà e la complessità delle immagini nel dataset della fauna selvatica africana, sottolineando i vantaggi dell'inclusione del mosaico durante il processo di addestramento.
Citazioni, licenza e ringraziamenti
Vorremmo ringraziare l'autore originale del dataset, Bianca Ferreira, per aver rilasciato questo dataset alla community. Il team di Ultralytics lo ha aggiornato e adattato internamente in modo che possa essere utilizzato senza problemi con i modelli Ultralytics YOLO. Questo dataset è disponibile sotto AGPL-3.0 License.
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 = {AGPL-3.0},
version = {1.0.0},
year = {2024}
}FAQ
Cos'è il dataset della fauna selvatica africana e come può essere utilizzato nei progetti di computer vision?
Il dataset della fauna selvatica africana include immagini di quattro specie animali comuni trovate nelle riserve naturali sudafricane: bufalo, elefante, rinoceronte e zebra. È una risorsa preziosa per addestrare algoritmi di computer vision nell'object detection e nell'identificazione degli animali. Il dataset supporta vari task come l'object tracking, la ricerca e gli sforzi di conservazione. Per ulteriori informazioni sulla sua struttura e sulle applicazioni, consulta la sezione Dataset Structure e le Applications del dataset.
Come posso addestrare un modello YOLO26 utilizzando il dataset della fauna selvatica africana?
Puoi addestrare un modello YOLO26 sul dataset della 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 epoche con una dimensione 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.
Dove posso trovare il file di configurazione YAML per il dataset della fauna selvatica africana?
Il file di configurazione YAML per il dataset della fauna selvatica africana, 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. Vedi la sezione Dataset YAML per maggiori dettagli.
Posso vedere immagini campione e annotazioni dal dataset della fauna selvatica africana?
Sì, il dataset della fauna selvatica africana include un'ampia varietà di immagini che mostrano diverse specie animali nei loro habitat naturali. Puoi visualizzare immagini campione e le relative annotazioni nella sezione Sample Images and Annotations. Questa sezione illustra anche l'uso della tecnica del mosaico per combinare più immagini in una sola per una maggiore diversità del batch, migliorando la capacità di generalizzazione del modello.
Come può il dataset della fauna selvatica africana essere utilizzato per supportare la conservazione e la ricerca sulla fauna selvatica?
Il dataset della fauna selvatica africana è ideale per supportare la conservazione e la ricerca sulla fauna selvatica consentendo l'addestramento e la valutazione di modelli per identificare la fauna selvatica africana in diversi habitat. Questi modelli possono aiutare a monitorare le popolazioni animali, studiare il loro comportamento e riconoscere le esigenze di conservazione. Inoltre, il dataset può essere utilizzato per scopi didattici, aiutando studenti e ricercatori a comprendere le caratteristiche e i comportamenti di diverse specie animali. Maggiori dettagli sono disponibili nella sezione Applications.