Conjunto de dados African Wildlife#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

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.

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.

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 é compatível com várias aplicações de deteção 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 🚀 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 conjunto de dados African Wildlife durante 100 épocas, com um tamanho de imagem de 640, use os exemplos de código fornecidos. Para ver uma lista abrangente dos parâmetros disponíveis, consulte a página de treino do modelo.

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)

Depois de treinar, execute a inferência com o modelo ajustado em novas imagens:

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 inclui uma grande variedade de imagens que mostram diversas espécies animais e os seus habitats naturais. Abaixo estão exemplos de imagens do conjunto de dados, cada uma acompanhada das respetivas anotações.

• Imagem em mosaico: Aqui apresentamos um lote de treino composto por imagens do conjunto de dados organizadas em mosaico. A criação de mosaicos, uma técnica de treino, combina várias imagens numa só, aumentando a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo de generalizar para objetos de diferentes tamanhos, proporções e contextos.

Citações, licença e agradecimentos#

Gostaríamos de agradecer à autora original do conjunto de dados, Bianca Ferreira, por o ter disponibilizado à comunidade. A equipa da Ultralytics atualizou-o e adaptou-o internamente para que possa ser usado sem dificuldades com os 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:

@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#