Link to this sectionDataset de Vida Selvagem Africana#

O Ultralytics African Wildlife Dataset é um conjunto de dados de object detection com 1.504 imagens divididas em 4 classes de animais — búfalo, elefante, rinoceronte e zebra — encontrados comumente em reservas naturais da África do Sul. As imagens são pré-divididas em 1.052 imagens de treino, 225 de validação e 227 de teste, e o conjunto de dados é baixado automaticamente (~100 MB) na primeira vez que você treina. É um benchmark compacto e pronto para uso para treinar modelos de computer vision para monitoramento de vida selvagem, conservação e pesquisa ecológica.

Link to this sectionEstrutura 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.

Explore o African Wildlife on Ultralytics Platform para navegar pelas imagens com suas sobreposições de anotações, visualizar a distribuição de classes e mapas de calor de caixas delimitadoras na guia Charts, e clonar o dataset para treinar seu próprio modelo na nuvem.

Link to this sectionAplicações#

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

• Conservação da vida selvagem — detecte e conte búfalos, elefantes, rinocerontes e zebras para apoiar o 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.

Link to this sectionYAML do Dataset#

Um arquivo YAML define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes pertinentes. Para o African Wildlife Dataset, 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 African Wildlife Dataset por 100 epochs com um tamanho de imagem de 640, use os exemplos de código fornecidos. Para uma lista completa 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)

Após o treinamento, execute a inference com o modelo ajustado 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")

Link to this sectionExemplos 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.

Link to this sectionCitações, Licença e Agradecimentos#

Gostaríamos de agradecer à autora original do conjunto de dados, Bianca Ferreira, por disponibilizar este conjunto de dados para a comunidade. A equipe da Ultralytics atualizou-o e adaptou-o internamente para que possa ser usado perfeitamente 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}
}

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 African Wildlife Dataset é um conjunto de dados de object detection de 1.504 imagens em 4 classes de animais — búfalo, elefante, rinoceronte e zebra — encontrados em reservas naturais da África do Sul. É usado para treinar e avaliar modelos para identificar a vida selvagem africana em imagens, o que apoia a conservação da vida selvagem, a pesquisa ecológica e o monitoramento em reservas naturais. Também serve como um recurso acessível para estudantes e pesquisadores que estudam visão computacional.

Link to this sectionQuantas imagens e classes existem no African Wildlife Dataset?#

O Ultralytics African Wildlife Dataset contém 1.504 imagens em 4 classes: búfalo, elefante, rinoceronte e zebra. As imagens são pré-divididas em 1.052 imagens de treino, 225 de validação e 227 de teste, e o conjunto de dados é baixado automaticamente (~100 MB) na primeira vez que você treina.

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 African Wildlife Dataset, chamado african-wildlife.yaml, pode ser encontrado neste GitHub link. Este arquivo define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes cruciais para treinar modelos de machine learning.

Link to this sectionSob qual licença o African Wildlife Dataset é liberado?#

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