Датасет африканской дикой природы#

1,483

african wildlife

ultralytics

publicDetect

African Wildlife contains buffalo, elephants, rhinos, and zebras photographed in natural outdoor settings. Balanced four-class bounding boxes provide a compact benchmark for wildlife localization, camera-trap analysis, conservation surveys, and animal monitoring.

94 classes194.1 MBSep 2, 2026

buffaloelephantrhinozebra

Датасет африканской дикой природы Ultralytics — это датасет для детекции объектов, содержащий 1 504 изображения с 4 классами животных — буйволом, слоном, носорогом и зеброй, которые часто встречаются в природных заповедниках Южной Африки. Изображения заранее разделены на 1 052 обучающих, 225 валидационных и 227 тестовых, а датасет автоматически загружается (~100 МБ) при первом запуске обучения. Это компактный готовый бенчмарк для обучения моделей компьютерного зрения, предназначенных для мониторинга дикой природы, охраны природы и экологических исследований.

Структура датасета#

Датасет африканской дикой природы Ultralytics содержит 1 504 изображения с 4 классами (буйвол, слон, носорог и зебра), заранее разделёнными на три подмножества:

• Обучающая выборка: 1 052 изображения, каждое с соответствующими аннотациями.
• Валидационная выборка: 225 изображений, каждое с соответствующими аннотациями.
• Тестовая выборка: 227 изображений, каждое с соответствующими аннотациями.

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

Применения#

Датасет африканской дикой природы Ultralytics поддерживает различные приложения для детекции 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 распространение и поведение видов в различных средах обитания.
• Противодействие браконьерству — выявляй животных на записях с фотоловушек или дронов, охватывающих большие охраняемые территории.
• Обучение и прототипирование — компактный датасет с четырьмя классами для изучения обучения моделей и предсказаний.

YAML датасета#

Файл YAML определяет конфигурацию датасета, включая пути, классы и другие важные сведения. Для датасета 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

Использование#

Чтобы обучить модель YOLO26n на датасете африканской дикой природы в течение 100 эпох с размером изображения 640, используй приведённые примеры кода. Полный список доступных параметров см. на странице Training 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)

После обучения запусти инференс дообученной модели 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")

Примеры изображений и аннотаций#

Датасет африканской дикой природы включает большое разнообразие изображений, демонстрирующих разные виды животных и их естественную среду обитания. Ниже приведены примеры изображений из датасета, каждое из которых сопровождается соответствующими аннотациями.

• Мозаичное изображение: здесь представлен обучающий батч, состоящий из мозаичных изображений датасета. Мозаицирование — это метод обучения, который объединяет несколько изображений в одно, повышая разнообразие батча. Этот метод помогает улучшить способность модели обобщать данные для объектов разных размеров, соотношений сторон и контекстов.

Цитирование, лицензия и благодарности#

Мы хотели бы поблагодарить автора исходного датасета, Bianca Ferreira, за публикацию этого датасета для сообщества. Команда Ultralytics обновила и адаптировала его внутри компании, чтобы обеспечить бесшовное использование с моделями Ultralytics YOLO. В исходном датасете лицензия не указана.

Если ты используешь этот датасет в своих исследованиях, пожалуйста, процитируй его, указав приведённые сведения:

@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}
}

Часто задаваемые вопросы#