아프리카 야생동물 데이터셋#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

Ultralytics 아프리카 야생동물 데이터셋은 남아프리카 자연보호구역에서 흔히 발견되는 4개 동물 클래스(물소, 코끼리, 코뿔소, 얼룩말)의 이미지 1,504개로 구성된 객체 감지 데이터셋입니다. 이미지는 학습 이미지 1,052개, 검증 이미지 225개, 테스트 이미지 227개로 미리 분할되어 있으며, 처음 학습을 시작할 때 데이터셋이 자동으로 다운로드됩니다(~100 MB). 야생동물 모니터링, 보전 및 생태 연구를 위한 컴퓨터 비전 모델 학습에 바로 사용할 수 있는 간결한 벤치마크입니다.

데이터셋 구조#

Ultralytics 아프리카 야생동물 데이터셋은 1,504개 이미지와 4개 클래스(물소, 코끼리, 코뿔소, 얼룩말)로 구성되며, 다음 세 가지 하위 집합으로 미리 분할되어 있습니다:

• 학습 세트: 1,052개 이미지이며, 각 이미지에 해당 주석이 포함되어 있습니다.
• 검증 세트: 225개 이미지이며, 각 이미지에 대응하는 주석이 포함되어 있습니다.
• 테스트 세트: 227개 이미지이며, 각 이미지에 대응하는 주석이 포함되어 있습니다.

Ultralytics Platform의 아프리카 야생동물을 살펴보면 주석 오버레이와 함께 이미지를 탐색하고, Charts 탭에서 클래스 분포 및 바운딩 박스 히트맵을 확인하며, 이를 복제하여 클라우드에서 자체 모델을 학습할 수 있습니다.

응용 분야#

Ultralytics 아프리카 야생동물 데이터셋은 다양한 객체 감지 애플리케이션을 지원합니다:

• 야생동물 보전 — 물소, 코끼리, 코뿔소, 얼룩말을 감지하고 개체 수를 세어 자연보호구역 및 보호지역의 동물 개체 수 모니터링을 지원합니다.
• 생태 연구 — 다양한 서식지에서 종의 분포와 행동을 연구합니다.
• 밀렵 방지 감시 — 넓은 보호지역의 카메라 트랩 또는 드론 영상에서 동물을 식별합니다.
• 교육 및 프로토타이핑 — 모델 학습과 예측을 학습하기 위한 4개 클래스의 간결한 데이터셋입니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 구성을 정의합니다. 아프리카 야생동물 데이터셋의 경우 african-wildlife.yaml 파일이 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml에 있습니다.

# 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

사용법#

제공된 코드 샘플을 사용하면 아프리카 야생동물 데이터셋에서 이미지 크기 640으로 100 에포크 동안 YOLO26n 모델을 학습할 수 있습니다. 사용 가능한 매개변수의 전체 목록은 모델의 학습 페이지를 참조하십시오.

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)

학습이 완료되면 미세 조정된 모델로 새 이미지에 대해 추론을 실행합니다:

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")

샘플 이미지 및 주석#

아프리카 야생동물 데이터셋은 다양한 동물 종과 자연 서식지를 보여주는 폭넓은 이미지로 구성되어 있습니다. 아래에는 데이터셋 이미지의 예시와 각 이미지에 해당하는 주석이 함께 제시되어 있습니다.

• 모자이크 이미지: 여기에서는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 학습 기법인 모자이크 처리는 여러 이미지를 하나로 결합하여 배치의 다양성을 높입니다. 이 방법은 다양한 객체 크기, 종횡비 및 맥락에 걸쳐 모델의 일반화 성능을 향상하는 데 도움이 됩니다.

인용, 라이선스 및 감사의 글#

이 데이터셋을 커뮤니티에 공개해 주신 원본 데이터셋 작성자 Bianca Ferreira님께 감사드립니다. Ultralytics 팀은 Ultralytics YOLO 모델에서 원활하게 사용할 수 있도록 이를 내부적으로 업데이트하고 조정했습니다. 원본 데이터셋에는 라이선스가 명시되어 있지 않습니다.

연구에서 이 데이터셋을 사용하는 경우 다음에 언급된 세부 정보로 인용해 주십시오:

@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}
}

FAQ#