Ir para o conteúdo

Conjunto de Dados de Vida Selvagem Africana

Este conjunto de dados apresenta quatro classes comuns de animais tipicamente encontradas em reservas naturais sul-africanas. Inclui imagens da vida selvagem africana, como búfalos, elefantes, rinocerontes e zebras, fornecendo informações valiosas sobre suas características. Essencial para treinar algoritmos de visão computacional, este conjunto de dados auxilia na identificação de animais em vários habitats, de zoológicos a florestas, e apoia a pesquisa da vida selvagem.



Assista: Detecção de Animais da Vida Selvagem Africana usando Ultralytics YOLO11

Estrutura do Conjunto de Dados

O conjunto de dados de detecção de objetos da vida selvagem africana é dividido em três subconjuntos:

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

Aplicações

Este conjunto de dados pode ser aplicado em várias tarefas de visão computacional, como detecção de objetos, rastreamento de objetos e pesquisa. Especificamente, 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 alunos e pesquisadores estudem e compreendam as características e comportamentos de diferentes espécies de animais.

YAML do Conjunto de Dados

Um arquivo YAML (Yet Another Markup Language) define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes pertinentes. Para o conjunto de dados da vida selvagem africana, o african-wildlife.yaml arquivo 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

Utilização

Para treinar um modelo YOLO11n no conjunto de dados da vida selvagem africana por 100 épocas com um tamanho de imagem de 640, use os exemplos de código fornecidos. Para uma lista completa dos parâmetros disponíveis, consulte a página de Treinamento do modelo.

Exemplo de Treinamento

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Exemplo de Inferência

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"

Amostras de Imagens e Anotações

O conjunto de dados da vida selvagem africana compreende uma ampla 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 de suas anotações correspondentes.

Imagem de amostra do conjunto de dados de vida selvagem africana

  • Imagem em Mosaico: Aqui, apresentamos um lote de treinamento que consiste em imagens de conjunto de dados em mosaico. O mosaico, uma técnica de treinamento, combina várias imagens em uma, enriquecendo a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo de generalizar em diferentes tamanhos de objetos, proporções e contextos.

Este exemplo ilustra a variedade e a complexidade das imagens no conjunto de dados da vida selvagem africana, enfatizando os benefícios de incluir mosaicos durante o processo de treinamento.

Citações e Agradecimentos

O conjunto de dados foi lançado e está disponível sob a Licença AGPL-3.0.

FAQ

O que é o Conjunto de Dados da Vida Selvagem Africana e como ele pode ser usado em projetos de visão computacional?

O conjunto de dados da vida selvagem africana inclui imagens de quatro espécies de animais comuns encontradas em reservas naturais da África do Sul: búfalo, elefante, rinoceronte e zebra. É um recurso valioso para treinar algoritmos de visão computacional em detecção de objetos e identificação de animais. O conjunto de dados oferece suporte a várias tarefas, como rastreamento de objetos, pesquisa e esforços de conservação. Para obter mais informações sobre sua estrutura e aplicações, consulte a seção de Estrutura do Conjunto de Dados e as Aplicações do conjunto de dados.

Como faço para treinar um modelo YOLO11 usando o Conjunto de Dados da Vida Selvagem Africana?

Você pode treinar um modelo YOLO11 no conjunto de dados da vida selvagem africana usando o african-wildlife.yaml arquivo de configuração. Abaixo está um exemplo de como treinar o modelo YOLO11n por 100 épocas com um tamanho de imagem de 640:

Exemplo

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

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

Onde posso encontrar o arquivo de configuração YAML para o Conjunto de Dados da Vida Selvagem Africana?

O arquivo de configuração YAML para o Conjunto de Dados de Vida Selvagem Africana, denominado african-wildlife.yaml, pode ser encontrado em este link do GitHub. Este arquivo define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes cruciais para o treinamento aprendizado de máquina modelos. Consulte a YAML do Conjunto de Dados seção para obter mais detalhes.

Posso ver sample_images e anotações do Conjunto de Dados de Vida Selvagem Africana?

Sim, o African Wildlife Dataset inclui uma ampla variedade de imagens que mostram diversas espécies de animais em seus habitats naturais. Você pode ver sample_images 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 só para enriquecer a diversidade do lote, aprimorando a capacidade de generalização do modelo.

Como o Conjunto de Dados de Vida Selvagem Africana pode ser usado para apoiar a conservação e pesquisa da vida selvagem?

O African Wildlife Dataset é ideal para apoiar a conservação e pesquisa da vida selvagem, permitindo o treinamento e avaliação de modelos para identificar a vida selvagem africana em diferentes habitats. Esses modelos podem auxiliar no monitoramento de populações de animais, no estudo de seu comportamento e no reconhecimento de necessidades de conservação. Além disso, o conjunto de dados pode ser utilizado para fins educacionais, ajudando estudantes e pesquisadores a compreender as características e comportamentos de diferentes espécies de animais. Mais detalhes podem ser encontrados na seção Aplicações.



📅 Criado há 1 ano ✏️ Atualizado há 5 meses

Comentários