Set di dati sulla fauna africana

Questo set di dati presenta quattro classi di animali comuni, tipicamente presenti nelle riserve naturali sudafricane. Include immagini di animali selvatici africani come bufali, elefanti, rinoceronti e zebre, fornendo preziose informazioni sulle loro caratteristiche. Essenziale per l'addestramento di algoritmi di computer vision, questo set di dati aiuta a identificare gli animali in vari habitat, dagli zoo alle foreste, e supporta la ricerca sulla fauna selvatica.

Guarda: Rilevamento degli animali selvatici africani con Ultralytics YOLO11

Struttura del set di dati

Il set di dati per il rilevamento di oggetti della fauna selvatica africana è suddiviso in tre sottoinsiemi:

• Set di allenamento: Contiene 1052 immagini, ciascuna con le relative annotazioni.
• Set di convalida: Include 225 immagini, ciascuna con annotazioni accoppiate.
• Set di test: Comprende 227 immagini, ciascuna con annotazioni accoppiate.

Applicazioni

Questo set di dati può essere applicato a diverse attività di computer vision, come il rilevamento di oggetti, il tracciamento di oggetti e la ricerca. In particolare, può essere utilizzato per addestrare e valutare modelli per l'identificazione di oggetti della fauna africana nelle immagini, che possono trovare applicazione nella conservazione della fauna selvatica, nella ricerca ecologica e nel monitoraggio delle riserve naturali e delle 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.

Set di dati YAML

Un file YAML (Yet Another Markup Language) definisce la configurazione del set di dati, compresi percorsi, classi e altri dettagli pertinenti. Per il set di dati sulla fauna africana, il file african-wildlife.yaml Il file si trova all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # 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 set di dati della fauna 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 di addestramento del modello.

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

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 set di dati sulla fauna africana comprende un'ampia varietà di immagini che mostrano diverse specie animali e i loro habitat naturali. Di seguito sono riportati alcuni esempi di immagini tratte dal dataset, ciascuna accompagnata dalle relative annotazioni.

• Immagine mosaicata: Qui presentiamo un batch di formazione costituito da immagini del dataset mosaicate. La mosaicatura, una tecnica di formazione, combina più immagini in una sola, arricchendo la diversità del batch. Questo metodo contribuisce a migliorare la capacità del modello di generalizzare tra oggetti di dimensioni, rapporti di aspetto e contesti diversi.

Questo esempio illustra la varietà e la complessità delle immagini del set di dati sulla fauna africana, sottolineando i vantaggi dell'inclusione della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Il set di dati è stato rilasciato sotto la licenzaAGPL-3.0 .

FAQ

Che cos'è l'African Wildlife Dataset e come può essere utilizzato nei progetti di computer vision?

L'African Wildlife Dataset comprende immagini di quattro specie animali comuni presenti nelle riserve naturali sudafricane: bufalo, elefante, rinoceronte e zebra. Si tratta di una risorsa preziosa per l'addestramento di algoritmi di visione artificiale per il rilevamento di oggetti e l'identificazione di animali. Il dataset supporta diverse attività come il tracciamento degli oggetti, la ricerca e la conservazione. Per ulteriori informazioni sulla struttura e sulle applicazioni, consultare la sezione Struttura del dataset e Applicazioni del dataset.

Come si addestra un modello YOLO11 utilizzando l'African Wildlife Dataset?

È possibile addestrare un modello YOLO11 sul dataset African Wildlife utilizzando il metodo african-wildlife.yaml file di configurazione. Di seguito è riportato un esempio di come addestrare il modello YOLO11n per 100 epoch con un'immagine di 640 dimensioni:

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 formazione, consultare la documentazione sulla formazione.

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, si può trovare all'indirizzo questo link GitHub. Questo file definisce la configurazione del set di dati, compresi i percorsi, le classi e altri dettagli fondamentali per l'addestramento. apprendimento automatico modelli. Vedere il Set di dati YAML per maggiori dettagli.

Posso vedere immagini di esempio e annotazioni dell'African Wildlife Dataset?

Sì, l'African Wildlife Dataset include un'ampia varietà di immagini che mostrano diverse specie animali nei loro habitat naturali. È possibile visualizzare immagini campione e le relative annotazioni nella sezione Immagini campione e annotazioni. Questa sezione illustra anche l'uso della tecnica del mosaico per combinare più immagini in una sola per arricchire la diversità del lotto, migliorando la capacità di generalizzazione del modello.

Come si può utilizzare l'African Wildlife Dataset per sostenere la conservazione e la ricerca sulla fauna selvatica?

L'African Wildlife Dataset è ideale per supportare la conservazione della fauna selvatica e la ricerca, consentendo la formazione e la valutazione di modelli per identificare la fauna africana in diversi habitat. Questi modelli possono aiutare a monitorare le popolazioni di animali, a studiarne il comportamento e a riconoscere le esigenze di conservazione. Inoltre, il set di dati può essere utilizzato a scopo didattico, aiutando studenti e ricercatori a comprendere le caratteristiche e i comportamenti delle diverse specie animali. Maggiori dettagli sono disponibili nella sezione Applicazioni.

📅C reato 8 mesi fa ✏️ Aggiornato 2 mesi fa

Commenti