Conjunto de Dados de Vida Selvagem Africana#

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

O Conjunto de Dados de Vida Selvagem Africana da Ultralytics é um conjunto de dados de deteção de objetos com 1.504 imagens distribuídas por 4 classes de animais — búfalo, elefante, rinoceronte e zebra — normalmente encontrados em reservas naturais sul-africanas. As imagens estão pré-divididas em 1.052 imagens de treino, 225 de validação e 227 de teste, e o conjunto de dados é descarregado automaticamente (~100 MB) na primeira vez que fazes treino. É um benchmark compacto e pronto a usar para treinar modelos de visão computacional para monitorização da vida selvagem, conservação e investigação ecológica.

Estrutura do Conjunto de Dados#

O Conjunto de Dados de Vida Selvagem Africana da Ultralytics contém 1.504 imagens distribuídas por 4 classes (búfalo, elefante, rinoceronte e zebra), pré-divididas em três subconjuntos:

• Conjunto de treino: 1.052 imagens, cada uma com as anotações correspondentes.
• Conjunto de validação: 225 imagens, cada uma com anotações correspondentes.
• Conjunto de teste: 227 imagens, cada uma com anotações correspondentes.

Explora African Wildlife na Ultralytics Platform para navegares pelas imagens com as respetivas sobreposições de anotações, consultares a distribuição das classes e os mapas de calor das caixas delimitadoras no separador Charts, e fazeres um clone para treinares o teu próprio modelo na nuvem.

Aplicações#

O Conjunto de Dados de Vida Selvagem Africana da Ultralytics é compatível com várias aplicações de deteção de objetos:

• Conservação da vida selvagem — deteta e conta búfalos, elefantes, rinocerontes e zebras para apoiar a monitorização de populações animais em reservas naturais e áreas protegidas.
• Investigação ecológica — estuda a distribuição e o comportamento das espécies em diferentes habitats.
• Vigilância contra a caça furtiva — assinala animais em imagens de armadilhas fotográficas ou drones sobre grandes áreas protegidas.
• Educação e prototipagem — um conjunto de dados compacto de quatro classes para aprender treino de modelos e predição.

YAML do Conjunto de Dados#

Um ficheiro YAML define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes pertinentes. Para o Conjunto de Dados de Vida Selvagem Africana, o ficheiro african-wildlife.yaml está localizado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# 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

Utilização#

Para treinares um modelo YOLO26n no Conjunto de Dados de Vida Selvagem Africana durante 100 épocas com um tamanho de imagem de 640, utiliza os exemplos de código fornecidos. Para consultares a lista completa de parâmetros disponíveis, consulta a página de Treino do modelo.

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)

Depois de concluíres o treino, executa a inferência com o modelo ajustado em novas imagens:

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")

Imagens de exemplo e anotações#

O Conjunto de Dados de Vida Selvagem Africana inclui uma grande variedade de imagens que mostram diversas espécies animais e os seus habitats naturais. Abaixo encontram-se exemplos de imagens do conjunto de dados, cada uma acompanhada pelas respetivas anotações.

• Imagem com mosaico: aqui apresentamos um lote de treino composto por imagens do conjunto de dados organizadas em mosaico. A mosaicagem, uma técnica de treino, combina várias imagens numa só, aumentando a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações, licença e agradecimentos#

Gostaríamos de agradecer à autora original do conjunto de dados, Bianca Ferreira, por disponibilizar este conjunto de dados à comunidade. A equipa da Ultralytics atualizou-o e adaptou-o internamente para que possa ser utilizado sem problemas com os modelos Ultralytics YOLO. O conjunto de dados de origem não especifica uma licença.

Se utilizares este conjunto de dados na tua investigação, cita-o utilizando os detalhes mencionados:

@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}
}

Perguntas frequentes#