African Wildlife 데이터셋#

Ultralytics African Wildlife Dataset은 남아프리카공화국의 자연 보호구역에서 흔히 볼 수 있는 버팔로, 코끼리, 코뿔소, 얼룩말의 4가지 동물 클래스에 속하는 1,504개의 이미지로 구성된 object detection 데이터셋입니다. 이 이미지는 학습용 1,052개, 검증용 225개, 테스트용 227개로 미리 분할되어 있으며, 처음 모델을 학습할 때 데이터셋이 자동으로 다운로드됩니다(~100 MB). 야생 동물 모니터링, 보존 및 생태 연구를 위한 computer vision 모델을 학습하는 데 적합한 소형의 즉시 사용 가능한 벤치마크입니다.

데이터셋 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.

African Wildlife on Ultralytics Platform을 탐색하여 어노테이션 오버레이가 포함된 이미지를 찾아보고, Charts 탭에서 클래스 분포와 바운딩 박스 히트맵을 확인하고, 클라우드에서 자신만의 모델을 학습하기 위해 복제할 수 있습니다.

응용 분야#

Ultralytics African Wildlife Dataset은 다양한 object detection 애플리케이션을 지원합니다.

• 야생 동물 보존 — 자연 보호구역 및 보호 지역에서의 animal population monitoring을 지원하기 위해 버팔로, 코끼리, 코뿔소, 얼룩말을 감지하고 개체 수를 셉니다.
• 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 — model training과 prediction을 학습하기 위한 소형의 4개 클래스 데이터셋입니다.

데이터셋 YAML#

YAML 파일은 경로, 클래스 및 기타 관련 세부 정보를 포함한 데이터셋 설정을 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

사용법#

이미지 크기 640으로 100 epochs 동안 African Wildlife Dataset에서 YOLO26n 모델을 학습하려면 제공된 코드 샘플을 사용하십시오. 사용 가능한 파라미터의 전체 목록은 모델의 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 이미지로 inference를 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#

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.

인용, 라이선스 및 감사의 글#

이 데이터셋을 커뮤니티에 공개해 주신 원저작자 Bianca Ferreira님께 감사의 말씀을 드립니다. Ultralytics 팀은 Ultralytics YOLO 모델과 원활하게 사용할 수 있도록 내부적으로 이를 업데이트하고 수정했습니다. 원본 데이터셋에는 라이선스가 명시되어 있지 않습니다.

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}
}

FAQ#