Link to this sectionAfrican Wildlife 데이터셋#

Ultralytics African Wildlife 데이터셋은 남아프리카 공화국의 자연 보호구역에서 흔히 발견되는 4가지 동물 클래스(버팔로, 코끼리, 코뿔소, 얼룩말)로 구성된 1,504개의 이미지로 이루어진 객체 탐지(object detection) 데이터셋입니다. 이미지는 1,052개의 학습, 225개의 검증, 227개의 테스트 이미지로 사전 분할되어 있으며, 처음 학습을 시작할 때 데이터셋이 자동으로 다운로드됩니다(~100 MB). 이 데이터셋은 야생 동물 모니터링, 보호 및 생태학적 연구를 위한 컴퓨터 비전(computer vision) 모델을 학습시키기 위한 작고 즉시 사용 가능한 벤치마크입니다.

Link to this section데이터셋 구조#

Ultralytics African Wildlife 데이터셋은 1,504개의 이미지와 4가지 클래스(버팔로, 코끼리, 코뿔소, 얼룩말)를 포함하며, 다음과 같이 3개의 하위 집합으로 사전 분할되어 있습니다:

• 학습 세트(Training set): 1,052개의 이미지와 각 이미지에 해당하는 어노테이션.
• 검증 세트(Validation set): 225개의 이미지와 각 이미지에 해당하는 어노테이션.
• 테스트 세트(Testing set): 227개의 이미지와 각 이미지에 해당하는 어노테이션.

Ultralytics 플랫폼의 African Wildlife에서 어노테이션 오버레이가 포함된 이미지를 탐색하고, 차트(Charts) 탭에서 클래스 분포 및 바운딩 박스 히트맵을 확인하며, 클라우드에서 나만의 모델을 학습시키기 위해 클론할 수 있습니다.

Link to this section응용 분야#

Ultralytics African Wildlife 데이터셋은 다양한 객체 탐지(object detection) 애플리케이션을 지원합니다:

• 야생 동물 보호 — 자연 보호구역 및 보호 구역에서의 동물 개체 수 모니터링(animal population monitoring)을 지원하기 위해 버팔로, 코끼리, 코뿔소, 얼룩말을 탐지하고 카운트합니다.
• 생태학적 연구 — 다양한 서식지에 걸친 종 분포 및 행동을 연구합니다.
• 밀렵 방지 감시 — 광범위한 보호 구역의 카메라 트랩이나 드론 영상에서 동물을 식별합니다.
• 교육 및 프로토타이핑 — 모델 학습(model training) 및 예측(prediction)을 학습하기 위한 소규모 4개 클래스 데이터셋입니다.

Link to this section데이터셋 YAML#

YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 구성을 정의합니다. African Wildlife Dataset의 경우 african-wildlife.yaml 파일은 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml에 위치해 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

Link to this section사용법#

African Wildlife 데이터셋에서 이미지 크기 640으로 100 에포크(epochs) 동안 YOLO26n 모델을 학습시키려면 제공된 코드 샘플을 사용하십시오. 사용 가능한 매개변수의 전체 목록은 모델의 학습(Training) 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 모델을 사용하여 새로운 이미지에 대해 추론(inference)을 실행하십시오:

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")

Link to this section샘플 이미지 및 주석#

African Wildlife 데이터셋은 다양한 동물 종과 그 자연 서식지를 보여주는 폭넓은 이미지를 포함합니다. 아래는 데이터셋 이미지의 예시이며, 각각 해당하는 어노테이션이 함께 제공됩니다.

• Mosaiced Image: 여기에서는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 학습 기법인 모자이킹(Mosaicing)은 여러 이미지를 하나로 결합하여 배치 다양성을 높입니다. 이 방법은 다양한 객체 크기, 가로세로 비율 및 상황에 걸쳐 모델의 일반화 능력을 향상시키는 데 도움이 됩니다.

Link to this section인용, 라이선스 및 감사의 글#

커뮤니티를 위해 이 데이터셋을 공개해 주신 원작자 Bianca Ferreira 님께 감사드립니다. Ultralytics 팀은 Ultralytics YOLO 모델에서 원활하게 사용할 수 있도록 내부적으로 업데이트 및 적용하였습니다. 원본 데이터셋에는 명시된 라이선스가 없습니다.

연구에 이 데이터셋을 사용하는 경우 명시된 세부 정보를 사용하여 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}
}

Link to this sectionFAQ#

Link to this sectionAfrican Wildlife 데이터셋이란 무엇이며 컴퓨터 비전 프로젝트에서 어떻게 사용할 수 있습니까?#

African Wildlife 데이터셋은 남아프리카 공화국의 자연 보호구역에서 발견되는 4가지 동물 클래스(버팔로, 코끼리, 코뿔소, 얼룩말)의 1,504개 이미지로 구성된 객체 탐지(object detection) 데이터셋입니다. 이 데이터셋은 이미지 속 야생 동물을 식별하는 모델을 학습하고 평가하는 데 사용되며, 야생 동물 보호, 생태학적 연구 및 자연 보호구역 모니터링을 지원합니다. 또한 컴퓨터 비전을 공부하는 학생과 연구자를 위한 접근 가능한 리소스 역할을 합니다.

Link to this sectionAfrican Wildlife 데이터셋에는 몇 개의 이미지와 클래스가 포함되어 있습니까?#

Ultralytics African Wildlife 데이터셋은 버팔로, 코끼리, 코뿔소, 얼룩말 등 4가지 클래스에 걸쳐 1,504개의 이미지를 포함합니다. 이미지는 1,052개의 학습, 225개의 검증, 227개의 테스트 이미지로 사전 분할되어 있으며, 처음 학습을 시작할 때 데이터셋이 자동으로 다운로드됩니다(~100 MB).

Link to this sectionAfrican Wildlife 데이터셋을 사용하여 YOLO26 모델을 어떻게 학습합니까?#

african-wildlife.yaml 구성 파일을 사용하여 African Wildlife 데이터셋에서 YOLO26 모델을 학습할 수 있습니다. 다음은 100 epochs 동안 이미지 크기 640으로 YOLO26n 모델을 학습하는 방법의 예시입니다:

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)

추가 학습 매개변수 및 옵션은 Training 문서를 참조하십시오.

Link to this sectionAfrican Wildlife 데이터셋의 YAML 구성 파일은 어디서 찾을 수 있습니까?#

African Wildlife 데이터셋을 위한 YAML 구성 파일인 african-wildlife.yaml은 이 GitHub 링크에서 찾을 수 있습니다. 이 파일은 머신러닝(machine learning) 모델 학습에 중요한 경로, 클래스 및 기타 세부 정보를 포함하는 데이터셋 구성을 정의합니다.

Link to this sectionAfrican Wildlife 데이터셋은 어떤 라이선스로 배포됩니까?#

원본 데이터셋은 명시된 라이선스가 없습니다. 이 데이터셋은 원래 Bianca Ferreira에 의해 Kaggle에 게시되었으며, Ultralytics YOLO 모델과 원활하게 사용할 수 있도록 Ultralytics에서 적용하였습니다. 연구에 이 데이터셋을 사용하는 경우 인용(Citations) 섹션의 BibTeX 항목을 사용하여 인용해 주십시오.