Link to this sectionНабор данных африканской дикой природы#

Набор данных Ultralytics African Wildlife — это датасет для обнаружения объектов, состоящий из 1504 изображений 4 классов животных: буйвол, слон, носорог и зебра, которые обычно встречаются в природных заповедниках Южной Африки. Изображения предварительно разделены на 1052 обучающих, 225 проверочных и 227 тестовых, а сам датасет автоматически загружается (~100 МБ) при первом запуске обучения. Это компактный, готовый к использованию бенчмарк для обучения моделей компьютерного зрения для мониторинга дикой природы, охраны животных и экологических исследований.

Link to this sectionСтруктура набора данных#

Набор данных Ultralytics African Wildlife содержит 1504 изображения по 4 классам (буйвол, слон, носорог и зебра), предварительно разделенных на три подмножества:

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

Изучи African Wildlife на платформе Ultralytics, чтобы просмотреть изображения с наложенными аннотациями, увидеть распределение классов и тепловые карты ограничивающих рамок на вкладке Charts, а также клонировать датасет для обучения своей модели в облаке.

Link to this sectionПрименение#

Набор данных Ultralytics African Wildlife поддерживает ряд приложений для обнаружения объектов:

• Охрана дикой природы — обнаруживай и подсчитывай буйволов, слонов, носорогов и зебр для поддержки мониторинга популяций животных в природных заповедниках и охраняемых территориях.
• Экологические исследования — изучай распределение видов и их поведение в различных средах обитания.
• Борьба с браконьерством — отмечай животных на кадрах с фотоловушек или дронов на обширных охраняемых территориях.
• Обучение и создание прототипов — компактный датасет из четырех классов для освоения обучения моделей и прогнозирования.

Link to this sectionYAML набора данных#

YAML-файл определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных African Wildlife 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 датасете African Wildlife в течение 100 эпох с размером изображения 640, используй предоставленные примеры кода. Полный список доступных параметров можно найти на странице модели Training.

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)

После завершения обучения запусти вывод с дообученной моделью на новых изображениях:

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#

Датасет African Wildlife включает в себя широкий спектр изображений, демонстрирующих различные виды животных и их естественную среду обитания. Ниже приведены 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.

Link to this sectionЦитирование, лицензия и благодарности#

Мы хотели бы поблагодарить автора оригинального набора данных Bianca Ferreira за предоставление его сообществу. Команда Ultralytics обновила и адаптировала его внутренними средствами, чтобы его можно было легко использовать с моделями Ultralytics YOLO. Исходный набор данных не содержит указаний о лицензии.

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 = {Not specified},
    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 African Wildlife — это датасет для обнаружения объектов, состоящий из 1504 изображений 4 классов животных: буйвол, слон, носорог и зебра, найденных в природных заповедниках Южной Африки. Он используется для обучения и оценки моделей по идентификации африканских диких животных на изображениях, что поддерживает охрану дикой природы, экологические исследования и мониторинг в заповедниках. Он также служит доступным ресурсом для студентов и исследователей, изучающих компьютерное зрение.

Link to this sectionСколько изображений и классов содержится в наборе данных African Wildlife?#

Набор данных Ultralytics African Wildlife содержит 1504 изображения по 4 классам: буйвол, слон, носорог и зебра. Изображения предварительно разделены на 1052 обучающих, 225 проверочных и 227 тестовых, а сам датасет автоматически загружается (~100 МБ) при первом запуске обучения.

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 датасета African Wildlife под названием 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.

Link to this sectionПод какой лицензией выпущен набор данных African Wildlife?#

Исходный набор данных не содержит указаний о лицензии. Он был первоначально опубликован на Kaggle автором Bianca Ferreira и адаптирован Ultralytics для беспрепятственного использования с моделями Ultralytics YOLO. Если ты используешь этот набор данных в своих исследованиях, пожалуйста, процитируй его, используя запись BibTeX в разделе Цитирование, лицензия и благодарности.