Link to this sectionDataset de Vida Selvagem Africana#

Este dataset apresenta quatro classes comuns de animais tipicamente encontradas em reservas naturais da África do Sul. Inclui imagens de vida selvagem africana como búfalos, elefantes, rinocerontes e zebras, fornecendo insights valiosos sobre suas características. Essencial para treinar algoritmos de computer vision, este dataset auxilia na identificação de animais em diversos habitats, de zoológicos a florestas, e apoia pesquisas sobre a vida selvagem.

Link to this sectionEstrutura do Dataset#

O dataset de detecção de objetos da vida selvagem africana está dividido em três subconjuntos:

• Conjunto de treinamento: Contém 1052 imagens, cada uma com as anotações correspondentes.
• Conjunto de validação: Inclui 225 imagens, cada uma com anotações pareadas.
• Conjunto de teste: Compreende 227 imagens, cada uma com anotações pareadas.

Link to this sectionAplicações#

Este dataset pode ser aplicado em várias tarefas de computer vision, tais como object detection, rastreamento de objetos e pesquisa. Especificamente, ele pode ser usado para treinar e avaliar modelos para identificar objetos da vida selvagem africana em imagens, o que pode ter aplicações na conservação da vida selvagem, pesquisa ecológica e esforços de monitoramento em reservas naturais e áreas protegidas. Além disso, pode servir como um recurso valioso para fins educacionais, permitindo que estudantes e pesquisadores estudem e compreendam as características e comportamentos de diferentes espécies animais.

Link to this sectionYAML do Dataset#

Um arquivo YAML (Yet Another Markup Language) define a configuração do dataset, incluindo caminhos, classes e outros detalhes pertinentes. Para o dataset de vida selvagem africana, o arquivo 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

Link to this sectionUso#

Para treinar um modelo YOLO26n no dataset de vida selvagem africana por 100 epochs com um tamanho de imagem de 640, utilize os exemplos de código fornecidos. Para uma lista abrangente de parâmetros disponíveis, consulte 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)

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")

Link to this sectionExemplos de Imagens e Anotações#

O dataset de vida selvagem africana compreende uma grande variedade de imagens exibindo diversas espécies animais e seus habitats naturais. Abaixo estão exemplos de imagens do dataset, cada uma acompanhada pelas 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.

Este exemplo ilustra a variedade e a complexidade das imagens no dataset de vida selvagem africana, enfatizando os benefícios de incluir a técnica de mosaico durante o processo de treinamento.

Link to this sectionCitações, Licença e Agradecimentos#

Gostaríamos de agradecer à autora original do dataset, Bianca Ferreira, por disponibilizar este dataset para a comunidade. A equipe da Ultralytics atualizou e adaptou-o internamente para que possa ser usado perfeitamente com os modelos Ultralytics YOLO. Este dataset está disponível sob a AGPL-3.0 License.

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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

Link to this sectionFAQ#

Link to this sectionO que é o Dataset de Vida Selvagem Africana e como ele pode ser usado em projetos de computer vision?#

O Dataset de Vida Selvagem Africana inclui imagens de quatro espécies animais comuns encontradas em reservas naturais da África do Sul: búfalo, elefante, rinoceronte e zebra. É um recurso valioso para treinar algoritmos de computer vision em detecção de objetos e identificação de animais. O dataset suporta várias tarefas como rastreamento de objetos, pesquisa e esforços de conservação. Para obter mais informações sobre sua estrutura e aplicações, consulte a seção Dataset Structure e Applications do dataset.

Link to this sectionComo treino um modelo YOLO26 usando o Dataset de Vida Selvagem Africana?#

Você pode treinar um modelo YOLO26 no Dataset de Vida Selvagem Africana usando o arquivo de configuração african-wildlife.yaml. Abaixo está um exemplo de como treinar o modelo YOLO26n por 100 épocas com um tamanho de imagem de 640:

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)

Para parâmetros e opções de treinamento adicionais, consulte a documentação de Training.

Link to this sectionOnde encontro o arquivo de configuração YAML para o Dataset de Vida Selvagem Africana?#

O arquivo de configuração YAML para o Dataset de Vida Selvagem Africana, chamado african-wildlife.yaml, pode ser encontrado neste link do GitHub. Este arquivo define a configuração do dataset, incluindo caminhos, classes e outros detalhes cruciais para treinar modelos de machine learning. Veja a seção Dataset YAML para mais detalhes.

Link to this sectionPosso ver imagens de amostra e anotações do Dataset de Vida Selvagem Africana?#

Sim, o Dataset de Vida Selvagem Africana inclui uma grande variedade de imagens mostrando diversas espécies animais em seus habitats naturais. Você pode visualizar imagens de amostra e suas anotações correspondentes na seção Sample Images and Annotations. Esta seção também ilustra o uso da técnica de mosaico para combinar várias imagens em uma, enriquecendo a diversidade do lote e melhorando a capacidade de generalização do modelo.

Link to this sectionComo o Dataset de Vida Selvagem Africana pode ser usado para apoiar a conservação e a pesquisa da vida selvagem?#

O Dataset de Vida Selvagem Africana é ideal para apoiar a conservação e a pesquisa da vida selvagem, permitindo o treinamento e a avaliação de modelos para identificar a vida selvagem africana em diferentes habitats. Esses modelos podem ajudar no monitoring animal populations, no estudo de seus comportamentos e no reconhecimento das necessidades de conservação. Além disso, o dataset pode ser utilizado para fins educacionais, ajudando estudantes e pesquisadores a entender as características e comportamentos de diferentes espécies animais. Mais detalhes podem ser encontrados na seção Applications.