Começar
Nenhuma licença

Conjunto de dados African Wildlife

O conjunto de dados African Wildlife 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 — comuns nas reservas naturais da África do Sul. As imagens estão previamente 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 treinas. É um benchmark compacto e pronto a usar para treinar modelos de visão computacional para monitorização da vida selvagem, conservação e investigação ecológica.



Assista: Como treinar Ultralytics YOLO26 no conjunto de dados de vida selvagem africana | Inferência, métricas e exportação ONNX 🐘

Estrutura do conjunto de dados#

O conjunto de dados African Wildlife da Ultralytics contém 1.504 imagens distribuídas por 4 classes (búfalo, elefante, rinoceronte e zebra), previamente divididas em três subconjuntos:

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

O conjunto de dados African Wildlife (~100 MB) é descarregado automaticamente na primeira vez que começa o treino, por isso não é necessário transferi-lo ou prepará-lo manualmente.

Explore African Wildlife na Ultralytics Platform para navegar pelas imagens com as sobreposições das anotações, ver a distribuição de classes e os mapas de calor das caixas delimitadoras no separador Charts e cloná-lo para treinar o seu próprio modelo na nuvem.

Aplicações#

O conjunto de dados African Wildlife da Ultralytics oferece suporte a diversas aplicações de detecção de objetos:

  • Conservação da vida selvagem — detete e conte búfalos, elefantes, rinocerontes e zebras para apoiar a monitorização de populações animais em reservas naturais e áreas protegidas.
  • Investigação ecológica — estude a distribuição e o comportamento das espécies em diferentes habitats.
  • Vigilância contra a caça furtiva — sinalize animais em imagens de câmaras de captura ou drones em grandes áreas protegidas.
  • Educação e prototipagem — um conjunto de dados compacto de quatro classes para aprender sobre treino de modelos e previsão.

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 African Wildlife, o ficheiro african-wildlife.yaml está localizado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

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 épocas, com tamanho de imagem 640, utiliza os exemplos de código fornecidos.

Exemplo de treino
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Após o treinamento, execute a inferência com o modelo ajustado em novas imagens:

Exemplo de inferência
from ultralytics import YOLO

# Carregar um modelo
model = YOLO("path/to/best.pt")  # carrega um modelo ajustado com dados da vida selvagem africana

# Inferência usando o modelo
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Imagens de exemplo e anotações#

O conjunto de dados African Wildlife contém uma grande variedade de imagens que mostram diversas espécies de animais e seus habitats naturais. Abaixo estão exemplos de imagens do conjunto de dados, cada uma acompanhada das respectivas anotações.

Imagem de exemplo do conjunto de dados African Wildlife

  • Imagem em mosaico: este lote de treinamento combina várias imagens do conjunto de dados em uma só por meio da criação de mosaicos, uma técnica de aumento de dados que aumenta a diversidade do lote e ajuda o modelo a generalizar para diferentes tamanhos de objetos, proporções e contextos.

Citações, licença e agradecimentos#

Agradecemos à autora original do conjunto de dados, Bianca Ferreira, por disponibilizá-lo à comunidade. A equipe da Ultralytics atualizou e adaptou internamente o conjunto para uso com modelos Ultralytics YOLO. O conjunto de dados de origem não especifica uma licença.

Se usar este conjunto de dados na sua investigação, cite-o usando os detalhes indicados:

Citação
@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#

  • O conjunto de dados African Wildlife é um conjunto de dados de deteção de objetos com 1.504 imagens distribuídas por 4 classes de animais — búfalo, elefante, rinoceronte e zebra — encontrados em reservas naturais da África do Sul. É usado para treinar e avaliar modelos que identificam animais selvagens africanos em imagens, contribuindo para a conservação da vida selvagem, a investigação ecológica e a monitorização de reservas naturais. Também é um recurso acessível para estudantes e investigadores que estudam visão computacional.

  • O conjunto de dados African Wildlife da Ultralytics contém 1.504 imagens distribuídas por 4 classes: búfalo, elefante, rinoceronte e zebra. As imagens estão previamente 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 treinas.

  • Pode treinar um modelo YOLO26 no conjunto de dados African Wildlife usando o ficheiro de configuração african-wildlife.yaml. Abaixo está um exemplo de como treinar o modelo YOLO26n durante 100 épocas com um tamanho de imagem de 640:

    Exemplo
    from ultralytics import YOLO
    
    # Carregar um modelo
    model = YOLO("yolo26n.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)
    
    # Treinar o modelo
    results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

    Para ver mais parâmetros e opções de treino, consulte a documentação de treino.

  • O arquivo de configuração YAML do conjunto de dados African Wildlife da Ultralytics, african-wildlife.yaml, define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes essenciais para treinar modelos de aprendizado de máquina.

  • O conjunto de dados de origem não especifica uma licença. Ele foi publicado originalmente no Kaggle por Bianca Ferreira e adaptado pela Ultralytics para uso com modelos Ultralytics YOLO. Se você usar o conjunto de dados na sua pesquisa, cite-o usando a entrada BibTeX da seção Citações.

Comentários2

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.

    1. Glenn JocherUltralytics(editado)

      Para citar o conjunto de dados African Wildlife, use a entrada BibTeX da seção Citações e agradecimentos da documentação. O conjunto de dados original foi criado por Bianca Ferreira (Kaggle) e adaptado pela Ultralytics para os modelos Ultralytics YOLO.