Salta para o conteĆŗdo

Conjunto de dados sobre a vida selvagem em Ɓfrica

Este conjunto de dados apresenta quatro classes de animais comuns que se encontram tipicamente nas reservas naturais da Ɓfrica do Sul. Inclui imagens da vida selvagem africana, como o bĆŗfalo, o elefante, o rinoceronte e a zebra, fornecendo informaƧƵes valiosas sobre as suas caracterĆ­sticas. Essencial para o treino de algoritmos de visĆ£o por computador, este conjunto de dados ajuda a identificar animais em vĆ”rios habitats, desde jardins zoolĆ³gicos a florestas, e apoia a investigaĆ§Ć£o sobre a vida selvagem.

Estrutura do conjunto de dados

O conjunto de dados de deteĆ§Ć£o de objectos da fauna africana estĆ” dividido em trĆŖs subconjuntos:

  • Conjunto de treino: ContĆ©m 1052 imagens, cada uma com anotaƧƵes correspondentes.
  • Conjunto de validaĆ§Ć£o: Inclui 225 imagens, cada uma com anotaƧƵes emparelhadas.
  • Conjunto de teste: Compreende 227 imagens, cada uma com anotaƧƵes emparelhadas.

AplicaƧƵes

Este conjunto de dados pode ser aplicado em vĆ”rias tarefas de visĆ£o computacional, como a deteĆ§Ć£o de objectos, o seguimento de objectos e a investigaĆ§Ć£o. Especificamente, pode ser utilizado para treinar e avaliar modelos para identificar objectos da vida selvagem africana em imagens, o que pode ter aplicaƧƵes na conservaĆ§Ć£o da vida selvagem, investigaĆ§Ć£o ecolĆ³gica e esforƧos de monitorizaĆ§Ć£o em reservas naturais e Ć”reas protegidas. AlĆ©m disso, pode servir como um recurso valioso para fins educativos, permitindo aos estudantes e investigadores estudar e compreender as caracterĆ­sticas e comportamentos de diferentes espĆ©cies animais.

Conjunto de dados YAML

Um ficheiro YAML (Yet Another Markup Language) define a configuraĆ§Ć£o do conjunto de dados, incluindo caminhos, classes e outros detalhes pertinentes. Para o conjunto de dados da vida selvagem africana, o ficheiro african-wildlife.yaml O ficheiro estĆ” localizado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

ultralytics/cfg/datasets/african-wildlife.yaml

# Ultralytics YOLO šŸš€, AGPL-3.0 license
# African-wildlife dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/detect/african-wildlife/
# Example usage: yolo train data=african-wildlife.yaml
# parent
# ā”œā”€ā”€ ultralytics
# ā””ā”€ā”€ datasets
#     ā””ā”€ā”€ african-wildlife  ā† 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # test images (relative to 'path') 227 images

# Classes
names:
  0: buffalo
  1: elephant
  2: rhino
  3: zebra

# Download script/URL (optional)
download: https://ultralytics.com/assets/african-wildlife.zip

UtilizaĆ§Ć£o

Para treinar um modelo YOLOv8n no conjunto de dados da vida selvagem africana para 100 Ć©pocas com um tamanho de imagem de 640, utiliza os exemplos de cĆ³digo fornecidos. Para obter uma lista completa dos parĆ¢metros disponĆ­veis, consulta a pĆ”gina de treino do modelo.

Exemplo de comboio

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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=yolov8n.pt epochs=100 imgsz=640

Exemplo de inferĆŖncia

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"

Exemplos de imagens e anotaƧƵes

O conjunto de dados da vida selvagem africana inclui uma grande variedade de imagens que mostram diversas espĆ©cies animais e os seus habitats naturais. Abaixo estĆ£o exemplos de imagens do conjunto de dados, cada uma acompanhada pelas anotaƧƵes correspondentes.

Imagem de amostra do conjunto de dados da fauna africana

  • Imagem em mosaico: Aqui, apresentamos um lote de treino que consiste em imagens de conjuntos de dados em mosaico. O mosaico, uma tĆ©cnica de formaĆ§Ć£o, combina vĆ”rias imagens numa sĆ³, enriquecendo a diversidade do lote. Este mĆ©todo ajuda a melhorar a capacidade do modelo para generalizar atravĆ©s de diferentes tamanhos de objectos, proporƧƵes e contextos.

Este exemplo ilustra a variedade e complexidade das imagens no conjunto de dados da vida selvagem africana, realƧando as vantagens de incluir o mosaico durante o processo de formaĆ§Ć£o.

CitaƧƵes e agradecimentos

O conjunto de dados foi disponibilizado ao abrigo da licenƧaAGPL-3.0 .



Criado em 2024-03-23, Atualizado em 2024-05-18
Autores: glenn-jocher (1), Burhan-Q (1), RizwanMunawar (1)

ComentƔrios