Dataset sulla fauna selvatica africana#

1,483

african wildlife

ultralytics

publicDetect

Object detection dataset with 1,400+ images of African wildlife including buffalo, elephant, rhino, and zebra. Ideal for training wildlife monitoring and conservation AI models.

74 classes194.1 MBApr 28, 2026

buffaloelephantrhinozebra

Il dataset Ultralytics African Wildlife è un dataset di object detection 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 pre-suddivise in 1.052 per l'addestramento, 225 per la validazione e 227 per il test, e il dataset viene scaricato automaticamente (~100 MB) la prima volta che lo addestri. Si tratta di un benchmark compatto e pronto all'uso per l'addestramento di modelli di computer vision per il monitoraggio della fauna selvatica, la conservazione e la ricerca ecologica.

Struttura 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 sfogliare le immagini con le relative sovrapposizioni di annotazione, visualizzare la distribuzione delle classi e le heatmap dei bounding-box nella scheda Charts, e clonarlo per addestrare il tuo modello nel cloud.

Applicazioni#

Il dataset Ultralytics African Wildlife supporta una gamma di applicazioni di object detection:

• Conservazione della fauna selvatica — rileva e conta bufali, elefanti, rinoceronti e zebre per supportare animal population monitoring 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 l'apprendimento di model training e prediction.

Dataset YAML#

Un file YAML definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli pertinenti. Per il dataset African Wildlife, 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

Utilizzo#

Per addestrare un modello YOLO26n sul dataset African Wildlife per 100 epochs con una dimensione dell'immagine di 640, usa gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, fai riferimento alla 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 ottimizzato 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")

Esempi 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.

Citazioni, licenza e riconoscimenti#

Ringraziamo l'autrice del dataset originale, Bianca Ferreira, per aver pubblicato questo dataset per la community. Il team di Ultralytics lo ha aggiornato e adattato internamente in modo che possa essere utilizzato senza problemi con i modelli Ultralytics YOLO. Il dataset di origine non specifica una 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}
}

FAQ#