Набор данных "Африканская дикая природа"
Этот набор данных содержит четыре распространенных класса животных, типичных для южноафриканских природных заповедников. В него входят изображения диких африканских животных, таких как буйволы, слоны, носороги и зебры, что дает ценную информацию об их характеристиках. Этот набор данных необходим для обучения алгоритмов компьютерного зрения и помогает идентифицировать животных в различных местах обитания — от зоопарков до лесов, а также поддерживает исследования дикой природы.
Watch: How to Train Ultralytics YOLO26 on the African Wildlife Dataset | Inference, Metrics & ONNX Export 🐘
Структура 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.
Приложения
Этот набор данных может быть применен в различных задачах компьютерного зрения, таких как обнаружение объектов, отслеживание объектов и исследования. В частности, его можно использовать для обучения и оценки моделей для идентификации объектов африканской дикой природы на изображениях, что может найти применение в охране дикой природы, экологических исследованиях и мониторинге 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.
YAML набора данных
Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных по африканской дикой природе файл african-wildlife.yaml расположен 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.zipИспользование
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 модели Обучение.
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")Примеры изображений и аннотаций
Набор данных африканской дикой природы включает в себя множество 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 представлен 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 для разных размеров объектов, соотношений сторон и контекстов.
Этот пример иллюстрирует разнообразие и сложность изображений в наборе данных африканской дикой природы, подчеркивая преимущества использования мозаики в процессе обучения.
Цитирование, лицензия и благодарности
Мы благодарим автора оригинального набора данных, Bianca Ferreira, за публикацию этого набора для сообщества. Команда Ultralytics обновила и адаптировала его, чтобы его можно было без проблем использовать с моделями Ultralytics YOLO. Этот набор данных доступен по лицензии AGPL-3.0 License.
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}
}Часто задаваемые вопросы (FAQ)
Что такое набор данных "Африканская дикая природа" и как его можно использовать в проектах компьютерного зрения?
Набор данных "Африканская дикая природа" включает изображения четырех распространенных видов животных, обитающих в природных заповедниках Южной Африки: буйвола, слона, носорога и зебры. Это ценный ресурс для обучения алгоритмов компьютерного зрения обнаружению объектов и идентификации животных. Набор данных поддерживает различные задачи, такие как отслеживание объектов, исследования и природоохранные мероприятия. Дополнительную информацию о его структуре и применении можно найти в разделе Структура набора данных и Применения.
Как обучить модель YOLO26 с помощью набора данных "Африканская дикая природа"?
Ты можешь обучить модель YOLO26 на наборе данных "Африканская дикая природа", 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 Обучение.
Где найти файл конфигурации YAML для набора данных "Африканская дикая природа"?
Файл конфигурации YAML для набора данных "Африканская дикая природа" под названием african-wildlife.yaml можно найти по этой ссылке на GitHub. Этот файл определяет конфигурацию набора данных, включая пути, классы и другие детали, важные для обучения моделей машинного обучения. См. раздел YAML набора данных для получения дополнительной информации.
Могу ли я увидеть примеры изображений и аннотаций из набора данных "Африканская дикая природа"?
Да, набор данных "Африканская дикая природа" включает множество изображений, демонстрирующих разнообразные виды животных в их естественной среде обитания. Ты можешь просмотреть примеры изображений и их соответствующие аннотации в разделе Примеры изображений и аннотации. В этом разделе также показано использование техники мозаики для объединения нескольких изображений в одно для обогащения разнообразия пакета, что повышает способность модели к обобщению.
Как набор данных "Африканская дикая природа" может помочь в охране дикой природы и исследованиях?
Набор данных "Африканская дикая природа" идеально подходит для поддержки охраны дикой природы и исследований, позволяя обучать и оценивать модели для идентификации африканских животных в различных местах обитания. Эти модели могут помочь в мониторинге популяций животных, изучении их поведения и определении природоохранных потребностей. Кроме того, набор данных может быть использован в образовательных целях, помогая студентам и исследователям понять характеристики и поведение различных видов животных. Более подробную информацию можно найти в разделе Применения.