Link to this sectionDataset sulla fauna selvatica africana#

Questo dataset mostra quattro comuni classi di animali che si trovano tipicamente nelle riserve naturali del Sudafrica. Include immagini della fauna selvatica africana come bufali, elefanti, rinoceronti e zebre, fornendo preziose informazioni sulle loro caratteristiche. Essenziale per addestrare algoritmi di computer vision, questo dataset aiuta a identificare gli animali in vari habitat, dagli zoo alle foreste, e supporta la ricerca sulla fauna selvatica.

Link to this sectionStruttura del dataset#

Il dataset di rilevamento oggetti della fauna selvatica africana è suddiviso in tre subset:

• Training set: contiene 1052 immagini, ciascuna con le relative annotazioni.
• Validation set: include 225 immagini, ciascuna con annotazioni abbinate.
• Testing set: comprende 227 immagini, ciascuna con annotazioni abbinate.

Link to this sectionApplicazioni#

Questo dataset può essere applicato in vari task di computer vision come object detection, object tracking e ricerca. Nello specifico, può essere utilizzato per addestrare e valutare modelli per identificare oggetti della fauna selvatica africana nelle immagini, il che può avere applicazioni nella conservazione della fauna selvatica, nella ricerca ecologica e negli sforzi di monitoraggio in riserve naturali e aree protette. Inoltre, può fungere da risorsa preziosa per scopi educativi, consentendo a studenti e ricercatori di studiare e comprendere le caratteristiche e i comportamenti di diverse specie animali.

Link to this sectionDataset YAML#

Un file YAML (Yet Another Markup Language) 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 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

Link to this sectionUtilizzo#

Per addestrare un modello YOLO26n sul dataset sulla fauna selvatica africana per 100 epoch con una dimensione dell'immagine di 640, usa gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consulta la 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)

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")

Link to this sectionEsempi di immagini e 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 dal dataset, ognuna 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.

Questo esempio illustra la varietà e la complessità delle immagini nel dataset sulla fauna selvatica africana, sottolineando i vantaggi dell'inclusione del mosaicing durante il processo di addestramento.

Link to this sectionCitazioni, licenza e riconoscimenti#

Vorremmo ringraziare l'autrice originale del dataset, Bianca Ferreira, per aver rilasciato questo dataset alla comunità. Il team di Ultralytics lo ha aggiornato e adattato internamente in modo che possa essere utilizzato senza problemi con i modelli Ultralytics YOLO. Questo dataset è disponibile sotto Licenza AGPL-3.0.

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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

Link to this sectionFAQ#

Link to this sectionCos'è il dataset sulla fauna selvatica africana e come può essere utilizzato nei progetti di computer vision?#

Il dataset sulla fauna selvatica africana include immagini di quattro specie animali comuni che si trovano nelle riserve naturali del Sudafrica: bufali, elefanti, rinoceronti e zebre. È una risorsa preziosa per l'addestramento di algoritmi di computer vision nell'object detection e nell'identificazione degli animali. Il dataset supporta vari task come l'object tracking, la ricerca e gli sforzi di conservazione. Per ulteriori informazioni sulla sua struttura e sulle sue applicazioni, consulta la sezione Dataset Structure e Applications del dataset.

Link to this sectionCome posso addestrare un modello YOLO26 utilizzando il dataset sulla fauna selvatica africana?#

Puoi addestrare un modello YOLO26 sul dataset sulla fauna selvatica africana utilizzando il file di configurazione african-wildlife.yaml. Di seguito è riportato un esempio di come addestrare il modello YOLO26n per 100 epoch con una dimensione dell'immagine di 640:

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)

Per ulteriori parametri e opzioni di addestramento, consulta la documentazione Training.

Link to this sectionDove posso trovare il file di configurazione YAML per il dataset sulla fauna selvatica africana?#

Il file di configurazione YAML per il dataset sulla fauna selvatica africana, denominato african-wildlife.yaml, può essere trovato a questo link GitHub. Questo file definisce la configurazione del dataset, inclusi percorsi, classi e altri dettagli cruciali per l'addestramento di modelli di machine learning. Vedi la sezione Dataset YAML per maggiori dettagli.

Link to this sectionPosso vedere immagini campione e annotazioni dal dataset sulla fauna selvatica africana?#

Sì, il dataset sulla fauna selvatica africana include un'ampia varietà di immagini che mostrano diverse specie animali nei loro habitat naturali. Puoi visualizzare immagini campione e le relative annotazioni nella sezione Sample Images and Annotations. Questa sezione illustra anche l'uso della tecnica di mosaicing per combinare più immagini in una per una maggiore diversità del batch, migliorando la capacità di generalizzazione del modello.

Link to this sectionCome può essere utilizzato il dataset sulla fauna selvatica africana per supportare la conservazione della fauna selvatica e la ricerca?#

Il dataset sulla fauna selvatica africana è ideale per supportare la conservazione della fauna selvatica e la ricerca, consentendo l'addestramento e la valutazione di modelli per identificare la fauna africana in diversi habitat. Questi modelli possono assistere nel monitoraggio delle popolazioni animali, nello studio del loro comportamento e nel riconoscimento delle esigenze di conservazione. Inoltre, il dataset può essere utilizzato per scopi educativi, aiutando studenti e ricercatori a comprendere le caratteristiche e i comportamenti di diverse specie animali. Maggiori dettagli possono essere trovati nella sezione Applications.