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 자연 보호구역에서 흔히 볼 수 있는 동물 4개 클래스(물소, 코끼리, 코뿔소, 얼룩말)에 걸친 1,504개 이미지로 구성된 객체 탐지 데이터셋입니다. 이미지는 학습용 1,052개, 검증용 225개, 테스트용 227개로 미리 분할되어 있으며, 처음 학습을 시작할 때 데이터셋이 자동으로 다운로드됩니다(~100 MB). 야생동물 모니터링, 보존, 생태 연구를 위한 컴퓨터 비전 모델 학습에 사용할 수 있는 작고 즉시 활용 가능한 벤치마크입니다.

데이터셋 구조#

Ultralytics 아프리카 야생동물 데이터셋은 동물 4개 클래스(물소, 코끼리, 코뿔소, 얼룩말)에 걸친 1,504개 이미지로 구성되어 있으며, 다음 세 하위 집합으로 미리 분할되어 있습니다.

• 학습 세트: 해당 어노테이션이 포함된 이미지 1,052개입니다.
• 검증 세트: 짝을 이루는 어노테이션이 포함된 이미지 225개입니다.
• 테스트 세트: 짝을 이루는 어노테이션이 포함된 이미지 227개입니다.

Ultralytics Platform의 아프리카 야생동물 데이터셋을 살펴보며 어노테이션 오버레이가 포함된 이미지를 확인하고, Charts 탭에서 클래스 분포와 바운딩 박스 히트맵을 살펴본 다음, 클라우드에서 자체 모델을 학습하도록 데이터셋을 복제해 보세요.

응용 분야#

Ultralytics 아프리카 야생동물 데이터셋은 다양한 객체 탐지 애플리케이션을 지원합니다.

• 야생동물 보호 — 물소, 코끼리, 코뿔소, 얼룩말을 탐지하고 개체 수를 세어 자연 보호구역 및 보호 지역의 동물 개체군 모니터링을 지원합니다.
• 생태 연구 — 다양한 서식지에서 종의 분포와 행동을 연구합니다.
• 밀렵 방지 감시 — 넓은 보호 지역의 카메라 트랩 또는 드론 영상에서 동물을 감지합니다.
• 교육 및 프로토타이핑 — 모델 학습과 예측을 익히기에 적합한 4개 클래스의 소규모 데이터셋입니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 구성을 정의합니다. 아프리카 야생동물 데이터셋의 경우 african-wildlife.yaml 파일은 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#

아프리카 야생동물 데이터셋으로 YOLO26n 모델을 100 에폭 동안 이미지 크기 640으로 학습하려면 제공된 코드 예제를 사용하세요. 사용 가능한 매개변수의 전체 목록은 모델의 학습 페이지를 참조하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("yolo26n.pt")  # 사전 학습된 모델을 불러옵니다(학습에 권장).

# 모델 학습
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

학습이 완료되면 새 이미지에 파인튜닝된 모델을 사용해 추론을 실행하세요.

from ultralytics import YOLO

# 모델 로드
model = YOLO("path/to/best.pt")  # 아프리카 야생동물 데이터셋으로 파인튜닝된 모델을 불러옵니다

# 모델을 사용한 추론
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

샘플 이미지 및 어노테이션#

아프리카 야생동물 데이터셋에는 다양한 동물 종과 자연 서식지를 보여주는 폭넓은 이미지가 포함되어 있습니다. 아래에서 데이터셋 이미지와 각 이미지에 해당하는 어노테이션 예제를 확인할 수 있습니다.

• 모자이크 이미지: 여기에서는 모자이크 처리한 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 학습 기법인 모자이킹은 여러 이미지를 하나로 결합하여 배치의 다양성을 높입니다. 이 방법은 서로 다른 객체 크기, 종횡비, 맥락에 걸쳐 모델의 일반화 능력을 향상하는 데 도움이 됩니다.

인용, 라이선스 및 감사의 말#

데이터셋을 커뮤니티에 공개해 주신 원저자 Bianca Ferreira에게 감사드립니다. Ultralytics 팀은 Ultralytics YOLO 모델에서 원활하게 사용할 수 있도록 데이터셋을 내부적으로 업데이트하고 조정했습니다. 원본 데이터셋에는 라이선스가 명시되어 있지 않습니다.

연구에 이 데이터셋을 사용한다면 아래에 안내된 정보를 사용해 인용해 주세요.

@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}
}

자주 묻는 질문#