Conjunto de dados sobre a vida selvagem em África

Este conjunto de dados apresenta quatro classes de animais comuns que se encontram tipicamente nas reservas naturais da África do Sul. Inclui imagens da vida selvagem africana, como o búfalo, o elefante, o rinoceronte e a zebra, fornecendo informações valiosas sobre as suas características. Essencial para o treino de algoritmos de visão por computador, este conjunto de dados ajuda a identificar animais em vários habitats, desde jardins zoológicos a florestas, e apoia a investigação sobre a vida selvagem.

Observa: Deteção de animais selvagens africanos utilizando Ultralytics YOLOv8

Estrutura do conjunto de dados

O conjunto de dados de deteção de objectos da fauna africana está 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 a deteção de objectos, o seguimento de objectos e a investigação. Especificamente, pode ser utilizado para treinar e avaliar modelos para identificar objectos da vida selvagem africana 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 aos estudantes e investigadores estudar e compreender as características e comportamentos de diferentes espécies animais.

Conjunto de dados YAML

Um ficheiro 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 ficheiro african-wildlife.yaml O ficheiro está localizado em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, 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
# ├── 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: ../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://github.com/ultralytics/assets/releases/download/v0.0.0/african-wildlife.zip

Utilização

Para treinar um modelo YOLOv8n no conjunto de dados da vida selvagem africana para 100 épocas com um tamanho de imagem de 640, utiliza os exemplos de código fornecidos. Para obter uma lista completa dos parâmetros disponíveis, consulta a página de treino do modelo.

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

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 anotações

O conjunto de dados da vida selvagem africana 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 pelas anotações correspondentes.

• Imagem em mosaico: Aqui, apresentamos um lote de treino que consiste em imagens de conjuntos de dados em mosaico. O mosaico, uma técnica de formação, combina várias imagens numa só, enriquecendo a diversidade do lote. Este método ajuda a melhorar a capacidade do modelo para generalizar através de diferentes tamanhos de objectos, proporções e contextos.

Este exemplo ilustra a variedade e complexidade das imagens no conjunto de dados da vida selvagem africana, realçando as vantagens de incluir o mosaico durante o processo de formação.

Citações e agradecimentos

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

FAQ

O que é o African Wildlife Dataset e como pode ser utilizado em projectos de visão computacional?

O African Wildlife Dataset inclui imagens de quatro espécies animais comuns encontradas nas reservas naturais da África do Sul: búfalo, elefante, rinoceronte e zebra. É um recurso valioso para treinar algoritmos de visão computacional na deteção de objectos e identificação de animais. O conjunto de dados apoia várias tarefas, como o rastreio de objectos, a investigação e os esforços de conservação. Para mais informações sobre a sua estrutura e aplicações, consulta a secção Estrutura do conjunto de dados e Aplicações do conjunto de dados.

Como posso treinar um modelo YOLOv8 utilizando o conjunto de dados da fauna selvagem africana?

Podes treinar um modelo YOLOv8 no African Wildlife Dataset utilizando o african-wildlife.yaml ficheiro de configuração. Abaixo está um exemplo de como treinar o modelo YOLOv8n para 100 épocas com um tamanho de imagem de 640:

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

Para parâmetros e opções de formação adicionais, consulta a documentação de Formação.

Onde posso encontrar o ficheiro de configuração YAML para o African Wildlife Dataset?

O ficheiro de configuração YAML para o African Wildlife Dataset, denominado african-wildlife.yaml, podes ser encontrado em esta ligação do GitHub. Este arquivo define a configuração do conjunto de dados, incluindo caminhos, classes e outros detalhes cruciais para o treinamento de modelos de aprendizado de máquina. Vê o ficheiro Conjunto de dados YAML para mais pormenores.

Posso ver exemplos de imagens e anotações do African Wildlife Dataset?

Sim, o Conjunto de Dados da Vida Selvagem Africana inclui uma grande variedade de imagens que mostram diversas espécies animais nos seus habitats naturais. Podes ver imagens de amostra e as anotações correspondentes na secção Imagens de amostra e anotações. Esta secção também ilustra a utilização da técnica de mosaico para combinar várias imagens numa só para enriquecer a diversidade do lote, melhorando a capacidade de generalização do modelo.

Como é que o Conjunto de Dados da Fauna Bravia Africana pode ser utilizado para apoiar a conservação e investigação da fauna bravia?

O Conjunto de Dados da Fauna Bravia Africana é ideal para apoiar a conservação e investigação da fauna bravia, permitindo a formação e avaliação de modelos para identificar a fauna bravia africana em diferentes habitats. Estes modelos podem ajudar a monitorizar as populações de animais, estudar o seu comportamento e reconhecer as necessidades de conservação. Além disso, o conjunto de dados 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 Aplicações.

Comentários