Vai al contenuto

Set di dati sulla fauna africana

This dataset showcases four common animal classes typically found in South African nature reserves. It includes images of African wildlife such as buffalo, elephant, rhino, and zebra, providing valuable insights into their characteristics. Essential for training computer vision algorithms, this dataset aids in identifying animals in various habitats, from zoos to forests, and supports wildlife research.



Guarda: African Wildlife Animals Detection using Ultralytics YOLO11

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

This dataset can be applied in various computer vision tasks such as object detection, object tracking, and research. Specifically, it can be used to train and evaluate models for identifying African wildlife objects in images, which can have applications in wildlife conservation, ecological research, and monitoring efforts in natural reserves and protected areas. Additionally, it can serve as a valuable resource for educational purposes, enabling students and researchers to study and understand the characteristics and behaviors of different animal species.

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/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

To train a YOLO11n model on the African wildlife dataset for 100 epochs with an image size of 640, use the provided code samples. For a comprehensive list of available parameters, refer to the model's Training page.

Esempio di treno

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

Esempio di inferenza

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 campione del set di dati sulla fauna africana

  • 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 .

DOMANDE FREQUENTI

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 maggiori informazioni sulla sua struttura e sulle sue applicazioni, consulta la sezione Struttura del dataset e Applicazioni del dataset.

How do I train a YOLO11 model using the African Wildlife Dataset?

You can train a YOLO11 model on the African Wildlife Dataset by using the african-wildlife.yaml configuration file. Below is an example of how to train the YOLO11n model for 100 epochs with an image size of 640:

Esempio

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, consulta 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, può essere consultato all'indirizzo questo link GitHub. This file defines the dataset configuration, including paths, classes, and other details crucial for training machine learning models. See the 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. Puoi vedere le 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 dei lotti, migliorando la capacità di generalizzazione del modello.

In che modo l'African Wildlife Dataset può essere utilizzato per supportare la conservazione e la ricerca sulla fauna selvatica?

L'African Wildlife Dataset è ideale per supportare la conservazione e la ricerca sulla fauna selvatica, 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.


📅 Created 6 months ago ✏️ Updated 10 days ago

Commenti