Overslaan naar inhoud

Afrikaanse wilde dieren dataset

Deze dataset laat vier veelvoorkomende dierenklassen zien die normaal gesproken in Zuid-Afrikaanse natuurgebieden voorkomen. Hij bevat beelden van Afrikaanse wilde dieren zoals buffels, olifanten, neushoorns en zebra's en biedt waardevolle inzichten in hun kenmerken. Deze dataset is essentieel voor het trainen van computervisie-algoritmen en helpt bij het identificeren van dieren in verschillende habitats, van dierentuinen tot bossen, en ondersteunt onderzoek naar wilde dieren.



Kijken: Detectie van Afrikaanse dieren in het wild met behulp van Ultralytics YOLOv8

Structuur dataset

De dataset voor de detectie van objecten van wilde dieren in Afrika is opgesplitst in drie subsets:

  • Trainingsset: Bevat 1052 afbeeldingen, elk met bijbehorende annotaties.
  • Validatieset: Bevat 225 afbeeldingen, elk met gekoppelde annotaties.
  • Testset: Bestaat uit 227 afbeeldingen, elk met gepaarde annotaties.

Toepassingen

Deze dataset kan worden toegepast in verschillende computervisietaken zoals objectdetectie, het volgen van objecten en onderzoek. In het bijzonder kan het worden gebruikt om modellen te trainen en te evalueren voor het identificeren van Afrikaanse objecten van wilde dieren in afbeeldingen, wat toepassingen kan hebben in natuurbehoud, ecologisch onderzoek en het monitoren van natuurreservaten en beschermde gebieden. Daarnaast kan het dienen als een waardevolle bron voor educatieve doeleinden, waarmee studenten en onderzoekers de kenmerken en het gedrag van verschillende diersoorten kunnen bestuderen en begrijpen.

Dataset YAML

Een YAML-bestand (Yet Another Markup Language) definieert de configuratie van de dataset, inclusief paden, klassen en andere relevante details. Voor de Afrikaanse wilde dieren dataset is de african-wildlife.yaml bestand bevindt zich op https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

ultralytics/cfg/datasets/afrikaans-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://github.com/ultralytics/assets/releases/download/v0.0.0/african-wildlife.zip

Gebruik

Gebruik de meegeleverde codevoorbeelden om een YOLOv8n model te trainen op de Afrikaanse wildlife dataset voor 100 epochs met een afbeeldingsgrootte van 640. Raadpleeg de pagina Training van het model voor een uitgebreide lijst van beschikbare parameters.

Voorbeeld trein

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

Voorbeeld van gevolgtrekking

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"

Voorbeeldafbeeldingen en -annotaties

De Afrikaanse wildlife dataset bestaat uit een grote verscheidenheid aan afbeeldingen van diverse diersoorten en hun natuurlijke habitats. Hieronder staan voorbeelden van afbeeldingen uit de dataset, elk vergezeld van de bijbehorende annotaties.

Voorbeeldafbeelding Afrikaanse wildlife dataset

  • Gemozaïekte afbeelding: Hier presenteren we een trainingsbatch bestaande uit gemozaïekte afbeeldingen van de dataset. Bij mozaïeken, een trainingstechniek, worden meerdere afbeeldingen gecombineerd tot één afbeelding, wat de diversiteit van de batch verrijkt. Deze methode helpt het vermogen van het model om te generaliseren over verschillende objectgroottes, beeldverhoudingen en contexten te verbeteren.

Dit voorbeeld illustreert de verscheidenheid en complexiteit van afbeeldingen in de Afrikaanse wildlife dataset en benadrukt de voordelen van het opnemen van mozaïek tijdens het trainingsproces.

Citaten en erkenningen

De dataset is vrijgegeven onder de AGPL-3.0 Licentie.

FAQ

Wat is de African Wildlife Dataset en hoe kan deze worden gebruikt in computer vision projecten?

De African Wildlife Dataset bevat beelden van vier veel voorkomende diersoorten in Zuid-Afrikaanse natuurgebieden: buffel, olifant, neushoorn en zebra. Het is een waardevolle bron voor het trainen van computervisie-algoritmen in objectdetectie en dieridentificatie. De dataset ondersteunt verschillende taken zoals het volgen van objecten, onderzoek en natuurbehoud. Raadpleeg voor meer informatie over de structuur en toepassingen de sectie Structuur van de dataset en Toepassingen van de dataset.

Hoe train ik een YOLOv8 model met de African Wildlife Dataset?

Je kunt een YOLOv8 model trainen op de African Wildlife Dataset door de african-wildlife.yaml configuratiebestand. Hieronder staat een voorbeeld van hoe je het YOLOv8n model traint voor 100 epochs met een afbeeldingsgrootte van 640:

Voorbeeld

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

Raadpleeg de trainingsdocumentatie voor aanvullende trainingsparameters en opties.

Waar kan ik het YAML-configuratiebestand vinden voor de African Wildlife Dataset?

Het YAML-configuratiebestand voor de African Wildlife Dataset, genaamd african-wildlife.yamlkan worden gevonden op deze GitHub link. Dit bestand definieert de configuratie van de dataset, inclusief paden, klassen en andere details die cruciaal zijn voor het trainen van machine-learning modellen. Zie de Dataset YAML sectie voor meer details.

Kan ik voorbeeldafbeeldingen en annotaties van de African Wildlife Dataset zien?

Ja, de African Wildlife Dataset bevat een grote verscheidenheid aan afbeeldingen van verschillende diersoorten in hun natuurlijke habitat. Je kunt voorbeeldafbeeldingen en de bijbehorende annotaties bekijken in de sectie Voorbeeldafbeeldingen en Annotaties. Deze sectie illustreert ook het gebruik van mozaïektechniek om meerdere afbeeldingen te combineren tot één voor een verrijkte diversiteit van de partij, waardoor het generalisatievermogen van het model wordt verbeterd.

Hoe kan de African Wildlife Dataset worden gebruikt ter ondersteuning van natuurbehoud en onderzoek?

De African Wildlife Dataset is ideaal voor het ondersteunen van natuurbehoud en onderzoek door het trainen en evalueren van modellen voor het identificeren van Afrikaanse wilde dieren in verschillende habitats mogelijk te maken. Deze modellen kunnen helpen bij het monitoren van dierenpopulaties, het bestuderen van hun gedrag en het herkennen van behoeften op het gebied van natuurbehoud. Daarnaast kan de dataset worden gebruikt voor educatieve doeleinden, om studenten en onderzoekers te helpen de kenmerken en het gedrag van verschillende diersoorten te begrijpen. Meer details zijn te vinden in de sectie Toepassingen.



Aangemaakt 2024-03-23, Bijgewerkt 2024-07-04
Auteurs: glenn-jocher (3), RizwanMunawar (3), Burhan-Q (1)

Reacties