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.
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 🚀 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 sull'African Wildlife Dataset per 100 epoche con una dimensione delle immagini di 640, usa gli esempi di codice forniti.
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:
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 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:
@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:Esempiofrom 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.
LuizRosa987
Como faço a citação do conjunto de dados?
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.



