Link to this sectionНабор данных африканской дикой природы#

Этот набор данных демонстрирует четыре распространенных класса животных, типичных для заповедников Южной Африки. Он включает изображения африканской дикой природы, такой как буйволы, слоны, носороги и зебры, предоставляя ценные сведения об их характеристиках. Этот набор данных, необходимый для обучения алгоритмов компьютерного зрения, помогает идентифицировать животных в различных средах обитания, от зоопарков до лесов, и поддерживает исследования дикой природы.

Link to this sectionСтруктура набора данных#

Набор данных для обнаружения объектов африканской дикой природы разделен на три подмножества:

• Обучающая выборка: Содержит 1052 изображения, каждое с соответствующими аннотациями.
• Валидационная выборка: Включает 225 изображений, каждое с парными аннотациями.
• Тестовая выборка: Состоит из 227 изображений, каждое с парными аннотациями.

Link to this sectionПрименение#

Этот набор данных можно применять в различных задачах компьютерного зрения, таких как обнаружение объектов, отслеживание объектов и исследования. В частности, его можно использовать для обучения и оценки моделей по идентификации африканских диких животных на изображениях, что может найти применение в охране дикой природы, экологических исследованиях и деятельности по мониторингу в природных заповедниках и на охраняемых территориях. Кроме того, он может служить ценным ресурсом для образовательных целей, позволяя студентам и исследователям изучать и понимать характеристики и поведение различных видов животных.

Link to this sectionYAML набора данных#

YAML-файл (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных африканской дикой природы файл african-wildlife.yaml находится по адресу 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 sectionИспользование#

Чтобы обучить модель YOLO26n на наборе данных африканской дикой природы в течение 100 эпох с размером изображения 640, используй предоставленные примеры кода. Полный список доступных параметров можно найти на странице Обучение модели.

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")

Link to this sectionПримеры изображений и аннотации#

Набор данных африканской дикой природы включает в себя широкий спектр изображений, демонстрирующих разнообразные виды животных и их естественную среду обитания. Ниже представлены примеры изображений из набора данных, каждое из которых сопровождается соответствующими аннотациями.

• Мозаичное изображение: Здесь мы представляем обучающий пакет, состоящий из мозаичных изображений набора данных. Мозаика — это метод обучения, который объединяет несколько изображений в одно, обогащая разнообразие пакета. Этот метод помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Этот пример иллюстрирует разнообразие и сложность изображений в наборе данных африканской дикой природы, подчеркивая преимущества использования мозаики в процессе обучения.

Link to this sectionЦитирование, лицензия и благодарности#

Мы хотели бы поблагодарить автора оригинального набора данных Bianca Ferreira за предоставление этого набора данных сообществу. Команда Ultralytics обновила и адаптировала его внутри компании, чтобы его можно было без проблем использовать с моделями Ultralytics YOLO. Этот набор данных доступен по лицензии AGPL-3.0.

Если ты используешь этот набор данных в своем исследовании, пожалуйста, процитируй его, используя указанные детали:

@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}
}

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных африканской дикой природы и как его можно использовать в проектах компьютерного зрения?#

Набор данных африканской дикой природы включает изображения четырех распространенных видов животных, обитающих в заповедниках Южной Африки: буйволов, слонов, носорогов и зебр. Это ценный ресурс для обучения алгоритмов компьютерного зрения обнаружению объектов и идентификации животных. Набор данных поддерживает различные задачи, такие как отслеживание объектов, исследования и природоохранная деятельность. Для получения дополнительной информации о структуре и применении обратись к разделу Структура набора данных и Приложения набора данных.

Link to this sectionКак обучить модель YOLO26, используя набор данных африканской дикой природы?#

Ты можешь обучить модель YOLO26 на наборе данных африканской дикой природы, используя файл конфигурации african-wildlife.yaml. Ниже приведен пример того, как обучить модель YOLO26n в течение 100 эпох с размером изображения 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)

Для получения дополнительных параметров обучения и опций обратись к документации по Обучению.

Link to this sectionГде я могу найти YAML-файл конфигурации для набора данных африканской дикой природы?#

YAML-файл конфигурации для набора данных африканской дикой природы, названный african-wildlife.yaml, можно найти по этой ссылке на GitHub. Этот файл определяет конфигурацию набора данных, включая пути, классы и другие детали, критически важные для обучения моделей машинного обучения. Дополнительные сведения см. в разделе Dataset YAML.

Link to this sectionМогу ли я увидеть примеры изображений и аннотаций из набора данных африканской дикой природы?#

Да, набор данных африканской дикой природы включает широкий спектр изображений, демонстрирующих разнообразные виды животных в их естественной среде обитания. Ты можешь просмотреть примеры изображений и соответствующие им аннотации в разделе Примеры изображений и аннотации. Этот раздел также иллюстрирует использование метода мозаики для объединения нескольких изображений в одно для обогащения разнообразия пакета, что повышает способность модели к обобщению.

Link to this sectionКак набор данных африканской дикой природы может быть использован для поддержки охраны дикой природы и исследований?#

Набор данных африканской дикой природы идеально подходит для поддержки охраны дикой природы и исследований, позволяя обучать и оценивать модели для идентификации африканских диких животных в различных средах обитания. Эти модели могут помочь в мониторинге популяций животных, изучении их поведения и выявлении потребностей в охране природы. Кроме того, набор данных можно использовать в образовательных целях, помогая студентам и исследователям понять характеристики и поведение различных видов животных. Более подробную информацию можно найти в разделе Приложения.