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.

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 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://ultralytics.com/assets/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.

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

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.

• 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.

Reacties