Inizia
Nessuna licenza

Dataset African Wildlife

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.



Guarda: Come addestrare Ultralytics YOLO26 sul dataset della fauna selvatica africana | Inferenza, metriche ed esportazione ONNX 🐘

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.
Download automatico

Il dataset African Wildlife (~100 MB) viene scaricato automaticamente al primo avvio dell'addestramento, quindi non è necessario scaricarlo o prepararlo manualmente.

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/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 sull'African Wildlife Dataset per 100 epoche con una dimensione delle immagini di 640, usa gli esempi di codice forniti.

Esempio di addestramento
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 su nuove immagini con il modello perfezionato:

Esempio di inferenza
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, ciascuno accompagnato dalle relative annotazioni.

Immagine di esempio del dataset African Wildlife

  • Immagine a mosaico: questo batch di addestramento combina più immagini del dataset in una sola tramite il mosaico, una tecnica di aumento dei dati che aumenta la diversità del batch e aiuta il modello a generalizzare tra diverse dimensioni degli oggetti, proporzioni e contesti.

Citazioni, licenza e ringraziamenti#

Ringraziamo l'autrice originale del dataset, Bianca Ferreira, per averlo condiviso con la community. Il team Ultralytics lo ha aggiornato e adattato internamente per l'uso 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:

Citazione
@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#

  • Il dataset African Wildlife è un dataset per il rilevamento degli oggetti composto da 1.504 immagini di 4 classi animali — bufalo, elefante, rinoceronte e zebra — presenti nelle riserve naturali del Sudafrica. Viene usato per addestrare e valutare modelli che identificano la fauna africana nelle immagini, supportando la conservazione della fauna selvatica, la ricerca ecologica e il monitoraggio nelle riserve naturali. È inoltre una risorsa accessibile per studenti e ricercatori che studiano la visione artificiale.

  • Il dataset African Wildlife di Ultralytics contiene 1.504 immagini suddivise in 4 classi: bufalo, elefante, rinoceronte e zebra. Le immagini sono suddivise in anticipo in 1.052 immagini di addestramento, 225 di convalida e 227 di test; il dataset viene scaricato automaticamente (~100 MB) al primo addestramento.

  • Puoi addestrare un modello YOLO26 sul dataset African Wildlife usando il file di configurazione african-wildlife.yaml. Di seguito trovi un esempio per addestrare il modello YOLO26n per 100 epoche con una dimensione delle immagini di 640:

    Esempio
    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)

    Per ulteriori parametri e opzioni di addestramento, consulta la documentazione sull'Addestramento.

  • Il file di configurazione YAML del dataset African Wildlife di Ultralytics, african-wildlife.yaml, definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli fondamentali per l'addestramento dei modelli di machine learning.

  • Il dataset di origine non specifica una licenza. È stato pubblicato inizialmente su Kaggle da Bianca Ferreira e adattato da Ultralytics per l'uso con i modelli Ultralytics YOLO. Se utilizzi il dataset nella tua ricerca, citane la fonte usando la voce BibTeX nella sezione Citazioni.

Commenti2

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

    1. Glenn JocherUltralytics(modificato)

      Para citar o conjunto de dados African Wildlife, use a entrada BibTeX da seção Citações e agradecimentos da documentação. O conjunto de dados original foi criado por Bianca Ferreira (Kaggle) e adaptado pela Ultralytics para os modelos Ultralytics YOLO.