アフリカ野生生物データセット

このデータセットでは、南アフリカの自然保護区でよく見られる4種類の動物を紹介しています。バッファロー、ゾウ、サイ、シマウマなどのアフリカの野生動物の画像が含まれており、それらの特徴に関する貴重な洞察を提供します。コンピュータビジョンアルゴリズムの学習に不可欠なこのデータセットは、動物園から森林まで様々な生息地で動物を識別するのに役立ち、野生生物の研究をサポートします。

データセット構造

アフリカの野生動物オブジェクト検出データセットは、3つのサブセットに分割されている：

• トレーニングセット：1052枚の画像を含み、それぞれに対応する注釈がある。
• 検証セット：225枚の画像を含み、それぞれに対になった注釈がある。
• テストセット：227枚の画像で構成され、それぞれ対になったアノテーションがある。

アプリケーション

このデータセットは、物体検出、物体追跡、研究など、様々なコンピュータビジョンタスクに応用できる。具体的には、画像中のアフリカの野生動物のオブジェクトを識別するモデルの訓練と評価に使用することができ、これは野生動物の保護、生態学的研究、自然保護区や保護地域におけるモニタリングの取り組みに応用することができます。さらに、学生や研究者がさまざまな動物種の特徴や行動を研究・理解するための、教育目的の貴重なリソースとしても役立ちます。

データセット YAML

YAML (Yet Another Markup Language) ファイルは、パス、クラス、その他の関連する詳細を含むデータセットの設定を定義する。アフリカの野生動物のデータセットでは african-wildlife.yaml ファイルは 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

使用方法

アフリカの野生動物データセットで、画像サイズ640で100エポックのYOLOv8n モデルを学習するには、提供されているコードサンプルを使用します。利用可能なパラメータの包括的なリストについては、モデルのトレーニングページを参照してください。

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"

サンプル画像と注釈

アフリカの野生動物データセットは、多様な動物種とその生息地を紹介する多種多様な画像で構成されています。以下は、このデータセットの画像の例で、それぞれに対応する注釈が添えられています。

• モザイク画像：ここでは、モザイク処理されたデータセット画像からなるトレーニングバッチを紹介する。モザイキングは、複数の画像を1つに結合することで、バッチの多様性を豊かにする学習手法である。この方法は、異なるオブジェクトのサイズ、アスペクト比、コンテクストに渡ってモデルの一般化能力を高めるのに役立つ。

この例は、アフリカの野生動物データセットに含まれる画像の多様性と複雑性を示しており、学習プロセス中にモザイク処理を含めることの利点を強調している。

引用と謝辞

このデータセットは、AGPL-3.0 ライセンスの下で公開されている。

コメント