Dataset de Vida Selvagem Africana

Este dataset apresenta quatro classes comuns de animais tipicamente encontrados em reservas naturais da África do Sul. Inclui imagens de vida selvagem africana, como búfalos, elefantes, rinocerontes e zebras, proporcionando informações valiosas sobre as suas características. Essencial para treinar algoritmos de computer vision, este dataset ajuda na identificação de animais em vários habitats, desde zoológicos a florestas, e apoia a investigação sobre a vida selvagem.

Estrutura do Dataset

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

• Conjunto de treino: Contém 1052 imagens, cada uma com as suas respectivas anotações.
• Conjunto de validação: Inclui 225 imagens, cada uma com anotações emparelhadas.
• Conjunto de teste: Composto por 227 imagens, cada uma com anotações emparelhadas.

Aplicações

Este dataset pode ser aplicado em várias tarefas de computer vision, como object detection, rastreio de objetos e investigação. Especificamente, pode ser utilizado para treinar e avaliar modelos para identificar animais selvagens africanos em imagens, o que pode ter aplicações na conservação da vida selvagem, investigação ecológica e esforços de monitorização em reservas naturais e áreas protegidas. Além disso, pode servir como um recurso valioso para fins educativos, permitindo que estudantes e investigadores estudem e compreendam as características e comportamentos de diferentes espécies animais.

YAML do Dataset

Um ficheiro 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 ficheiro african-wildlife.yaml encontra-se 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 treinar um modelo YOLO26n no dataset de vida selvagem africana durante 100 epochs com um tamanho de imagem de 640, utiliza 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)

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")

Amostra de Imagens e Anotações

O dataset de vida selvagem africana compreende uma grande variedade de imagens que exibem diversas espécies animais e os seus habitats naturais. Abaixo, estão exemplos de imagens do dataset, cada uma acompanhada pelas suas anotações correspondentes.

• Imagem Mosaico: Aqui, apresentamos um lote de treino que consiste em imagens do dataset em mosaico. A técnica de mosaico, uma técnica de treino, combina múltiplas imagens numa só, enriquecendo a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo de generalizar através de diferentes tamanhos de objetos, proporções e contextos.

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

Citações, Licença e Agradecimentos

Gostaríamos de agradecer à autora original do dataset, 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 perfeitamente com os modelos Ultralytics YOLO. Este dataset está disponível sob a AGPL-3.0 License.

Se utilizares este dataset na tua investigação, por favor cita-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}
}

FAQ

O que é o Dataset de Vida Selvagem Africana e como pode ser utilizado 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: búfalos, elefantes, rinocerontes e zebras. É um recurso valioso para treinar algoritmos de computer vision em detecção de objetos e identificação de animais. O dataset suporta várias tarefas como rastreio de objetos, investigação e esforços de conservação. Para mais informações sobre a sua estrutura e aplicações, consulta a secção Dataset Structure e Applications do dataset.

Como posso treinar um modelo YOLO26 utilizando o Dataset de Vida Selvagem Africana?

Podes treinar um modelo YOLO26 no Dataset de Vida Selvagem Africana utilizando 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:

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 treino adicionais, consulta a documentação de Training.

Onde posso encontrar o ficheiro de configuração YAML para o Dataset de Vida Selvagem Africana?

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

Posso 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 que exibem diversas espécies animais nos seus habitats naturais. Podes ver imagens de amostra e as suas anotações correspondentes na secção Sample Images and Annotations. Esta secção também ilustra a utilização da técnica de mosaico para combinar múltiplas imagens numa só para uma maior diversidade de lotes, melhorando a capacidade de generalização do modelo.

Como pode o Dataset de Vida Selvagem Africana ser utilizado para apoiar a conservação e investigação da vida selvagem?

O Dataset de Vida Selvagem Africana é ideal para apoiar a conservação e investigação da vida selvagem ao permitir o treino e avaliação de modelos para identificar a vida selvagem africana em diferentes habitats. Estes modelos podem ajudar na monitoring animal populations, no estudo do seu comportamento e no reconhecimento de necessidades de conservação. Adicionalmente, o dataset pode ser utilizado para fins educativos, ajudando estudantes e investigadores a compreender as características e comportamentos de diferentes espécies animais. Mais detalhes podem ser encontrados na secção Applications.