Dataset de Vida Selvagem Africana#

1,483

african wildlife

ultralytics

publicDetect

Object detection dataset with 1,400+ images of African wildlife including buffalo, elephant, rhino, and zebra. Ideal for training wildlife monitoring and conservation AI models.

74 classes194.1 MBApr 28, 2026

buffaloelephantrhinozebra

O Ultralytics African Wildlife Dataset é um conjunto de dados de object detection com 1.504 imagens em 4 classes de animais — búfalo, elefante, rinoceronte e zebra — encontrados comumente em reservas naturais sul-africanas. As imagens são pré-divididas em 1.052 de treino, 225 de validação e 227 de teste, e o conjunto de dados é descarregado automaticamente (~100 MB) na primeira vez que treinas. É um benchmark compacto e pronto a usar para treinar modelos de computer vision para monitorização de vida selvagem, conservação e investigação ecológica.

Estrutura do Dataset#

O Ultralytics African Wildlife Dataset contém 1.504 imagens em 4 classes (búfalo, elefante, rinoceronte e zebra), pré-divididas em três subconjuntos:

• Conjunto de treinamento: 1.052 imagens, cada uma com anotações correspondentes.
• Conjunto de validação: 225 imagens, cada uma com anotações pareadas.
• Conjunto de testes: 227 imagens, cada uma com anotações pareadas.

Explora African Wildlife on Ultralytics Platform para navegar pelas imagens com as respetivas sobreposições de anotações, ver a distribuição de classes e os mapas de calor de bounding-box no separador Charts, e cloná-lo para treinar o teu próprio modelo na cloud.

Aplicações#

O Ultralytics African Wildlife Dataset suporta uma variedade de aplicações de object detection:

• Conservação da vida selvagem — deteta e conta búfalos, elefantes, rinocerontes e zebras para apoiar a animal population monitoring em reservas naturais e áreas protegidas.
• Pesquisa ecológica — estude a distribuição e o comportamento das espécies em diferentes habitats.
• Vigilância contra caça ilegal — identifique animais em câmeras de trilha ou imagens de drone em grandes áreas protegidas.
• Educação e prototipagem — um conjunto de dados compacto de quatro classes para aprender model training e prediction.

YAML do Dataset#

Um ficheiro YAML define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes pertinentes. Para o African Wildlife Dataset, 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

Uso#

Para treinar um modelo YOLO26n no African Wildlife Dataset durante 100 epochs com um tamanho de imagem de 640, usa os exemplos de código fornecidos. Para uma lista abrangente de parâmetros disponíveis, consulta a página de Training 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)

Assim que estiver treinado, corre a inference com o modelo fine-tuned 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")

Exemplos de Imagens e Anotações#

O African Wildlife Dataset compreende uma ampla variedade de imagens que exibem diversas espécies animais e seus habitats naturais. Abaixo estão exemplos de imagens do conjunto de dados, cada uma acompanhada por suas anotações correspondentes.

• Imagem em Mosaico: Aqui, apresentamos um lote de treinamento composto por imagens de dataset em mosaico. A técnica de mosaico, usada no treinamento, combina várias imagens em uma só, enriquecendo a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo de generalizar entre diferentes tamanhos, proporções e contextos de objetos.

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 de forma integrada com os modelos Ultralytics YOLO. O conjunto de dados de origem não especifica uma licença.

Se você usar este dataset em sua pesquisa, cite-o usando 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}
}

FAQ#