Dataset sulla fauna selvatica africana#

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 Ultralytics sulla fauna selvatica africana è un dataset di rilevamento degli oggetti composto da 1.504 immagini suddivise in 4 classi di animali — bufalo, elefante, rinoceronte e zebra — comunemente presenti nelle riserve naturali del Sudafrica. Le immagini sono già suddivise in 1.052 immagini di addestramento, 225 di convalida e 227 di test; il dataset viene scaricato automaticamente (~100 MB) la prima volta che avvii l'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 Ultralytics sulla fauna selvatica africana contiene 1.504 immagini suddivise in 4 classi (bufalo, elefante, rinoceronte e zebra), pre-suddivise 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 su Ultralytics Platform per sfogliare le immagini con le relative sovrapposizioni delle annotazioni, visualizzare la distribuzione delle classi e le mappe di calore dei riquadri di delimitazione nella scheda Charts, quindi clonarlo per addestrare il tuo modello nel cloud.

Applicazioni#

Il Dataset Ultralytics sulla fauna selvatica africana 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 in habitat diversi.
• Sorveglianza antibracconaggio — segnala gli animali nei filmati delle fototrappole o dei droni su vaste aree protette.
• Istruzione e prototipazione — un dataset compatto a quattro classi per imparare l'addestramento dei modelli e la predizione.

YAML del dataset#

Un file YAML 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 all'indirizzo 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 sulla fauna selvatica africana per 100 epoche con una dimensione delle immagini pari a 640, usa gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consulta la pagina di addestramento 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)

Al termine dell'addestramento, esegui l'inferenza con il modello sottoposto a fine-tuning 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")

Immagini ed esempi di 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, ciascuno accompagnato dalle relative annotazioni.

• Immagine mosaicata: qui presentiamo un batch di addestramento composto da immagini del dataset mosaicato. La mosaicatura, 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 degli oggetti, rapporti d'aspetto e contesti diversi.

Citazioni, licenza e ringraziamenti#

Desideriamo ringraziare l'autrice originale del dataset, Bianca Ferreira, per averlo reso disponibile alla comunità. Il team Ultralytics lo ha aggiornato e adattato internamente per consentirne l'utilizzo senza problemi con i modelli Ultralytics YOLO. Il dataset di origine non specifica alcuna licenza.

Se utilizzi questo dataset nella tua ricerca, citalo 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}
}

FAQ#