African Wildlife Dataset

Этот набор данных демонстрирует четыре распространенных класса животных, обычно встречающихся в южноафриканских заповедниках. Он включает изображения африканских диких животных, таких как буйвол, слон, носорог и зебра, предоставляя ценную информацию 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.

Смотреть: Обнаружение африканских диких животных с использованием Ultralytics YOLO11

Структура набора данных

Датасет обнаружения объектов африканской дикой природы разделен на три подмножества:

• Обучающий набор: Содержит 1052 изображения, каждое с соответствующими аннотациями.
• Набор для валидации: Включает 225 изображений, каждое с парными аннотациями.
• Тестовый набор: Состоит из 227 изображений, каждое из которых имеет парные аннотации.

Приложения

Этот набор данных может применяться 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 применяться в природоохранной деятельности, экологических исследованиях и усилиях по мониторингу в природных заповедниках и охраняемых районах. Кроме того, он может служить ценным ресурсом для образовательных целей, позволяя студентам и исследователям изучать и понимать характеристики и поведение различных видов животных.

YAML-файл набора данных

YAML-файл (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные сведения. Для набора данных об африканской дикой природе african-wildlife.yaml файл 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

Использование

Чтобы обучить модель YOLO11n на наборе данных African wildlife в течение 100 эпох с размером изображения 640, используйте предоставленные примеры кода. Для получения полного списка доступных параметров обратитесь к странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.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"

Примеры изображений и аннотации

Набор данных African wildlife включает в себя широкий спектр изображений, демонстрирующих разнообразные 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 пакет обучения, состоящий из мозаичных изображений набора данных. Мозаика, метод обучения, объединяет несколько изображений в одно, обогащая разнообразие пакета. Этот метод помогает улучшить способность модели к обобщению для различных размеров объектов, соотношений сторон и контекстов.

Этот пример иллюстрирует разнообразие и сложность изображений в наборе данных African wildlife, подчеркивая преимущества включения мозаики в процесс обучения.

Цитирование и благодарности

Набор данных выпущен и доступен под лицензией AGPL-3.0.

Часто задаваемые вопросы

Что такое набор данных African Wildlife Dataset и как его можно использовать в проектах компьютерного зрения?

Набор данных African Wildlife Dataset включает изображения четырех распространенных видов животных, обитающих в южноафриканских заповедниках: буйволов, слонов, носорогов и зебр. Это ценный ресурс для обучения алгоритмов компьютерного зрения в задачах обнаружения объектов и идентификации животных. Набор данных поддерживает различные задачи, такие как отслеживание объектов, исследования и природоохранные мероприятия. Для получения дополнительной информации о его структуре и применении обратитесь к разделу Структура набора данных и Приложения набора данных.

Как обучить модель YOLO11, используя набор данных African Wildlife Dataset?

Вы можете обучить модель YOLO11 на наборе данных African Wildlife Dataset, используя african-wildlife.yaml файл конфигурации. Ниже приведен пример того, как обучить модель YOLO11n в течение 100 эпох с размером изображения 640:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Для получения дополнительных параметров и опций обучения обратитесь к документации по обучению.

Где я могу найти файл конфигурации YAML для набора данных African Wildlife Dataset?

YAML-файл конфигурации для набора данных African Wildlife, названный african-wildlife.yaml, можно найти по адресу по этой ссылке GitHub. Этот файл определяет конфигурацию набора данных, включая пути, классы и другие детали, важные для обучения машинное обучение модели. Смотрите YAML-файл набора данных раздел для получения более подробной информации.

Могу ли я увидеть sample_images и аннотации из набора данных African Wildlife Dataset?

Да, African Wildlife Dataset включает в себя большое разнообразие изображений, демонстрирующих различные виды животных в их естественной среде обитания. Вы можете просмотреть sample_images и 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 пакетов, что повышает способность модели к обобщению.

Как можно использовать набор данных African Wildlife Dataset для поддержки сохранения дикой природы и исследований?

Датасет African Wildlife идеально подходит для поддержки сохранения и изучения дикой природы, позволяя обучать и оценивать модели для идентификации африканской дикой природы в различных средах обитания. Эти модели могут помочь в мониторинге популяций животных, изучении их поведения и распознавании потребностей в сохранении. 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.

📅 Создано 1 год назад ✏️ Обновлено 6 месяцев назад

Комментарии