Set di dati sulla fauna africana

Questo set di dati mostra quattro classi di animali comuni che si trovano tipicamente nelle riserve naturali sudafricane. Include immagini di animali selvatici africani come il bufalo, l'elefante, il rinoceronte e la zebra, 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.

Struttura del set di dati

Il set di dati per il rilevamento di oggetti della fauna 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 prova: 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 fungere da preziosa risorsa a scopo didattico, 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 dataset, includendo 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://ultralytics.com/assets/african-wildlife.zip

Utilizzo

Per addestrare un modello YOLOv8n sul set di dati della fauna africana per 100 epoche con una dimensione dell'immagine di 640, usa gli esempi di codice forniti. Per un elenco completo dei parametri disponibili, consulta la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.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 composto da immagini del dataset mosaicate. La mosaicatura, una tecnica di formazione, combina più immagini in una sola, arricchendo la diversità del lotto. Questo metodo aiuta 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 formazione.

Citazioni e ringraziamenti

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

Commenti