Набор данных о дикой природе Африки

Этот набор данных демонстрирует четыре распространенных класса животных, которые обычно встречаются в заповедниках Южной Африки. Он включает в себя изображения таких африканских диких животных, как буйвол, слон, носорог и зебра, и дает ценные сведения об их особенностях. Необходимый для обучения алгоритмов компьютерного зрения, этот набор данных помогает идентифицировать животных в различных местах обитания, от зоопарков до лесов, и способствует исследованиям дикой природы.

Структура набора данных

Набор данных по обнаружению объектов дикой природы Африки разбит на три подмножества:

• Тренировочный набор: Содержит 1052 изображения, каждое из которых снабжено соответствующими аннотациями.
• Валидационный набор: Включает 225 изображений, каждое из которых содержит парные аннотации.
• Набор для тестирования: 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 найти применение в охране дикой природы, экологических исследованиях и мониторинге природных заповедников и охраняемых территорий. Кроме того, он может служить ценным ресурсом для образовательных целей, позволяя студентам и исследователям изучать и понимать характеристики и поведение различных видов животных.

Набор данных YAML

Файл YAML (Yet Another Markup Language) определяет конфигурацию набора данных, включая пути, классы и другие важные детали. Для набора данных о дикой природе Африки файл african-wildlife.yaml Файл находится по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # test images (relative to 'path') 227 images

# Classes
names:
  0: buffalo
  1: elephant
  2: rhino
  3: zebra

# Download script/URL (optional)
download: https://ultralytics.com/assets/african-wildlife.zip

Использование

Чтобы обучить модель YOLOv8n на наборе данных о дикой природе Африки в течение 100 эпох при размере изображения 640, используй предоставленные примеры кода. Полный список доступных параметров можно найти на странице обучения модели.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.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 аннотаций

Набор данных "Африканская дикая природа" включает в себя множество изображений, демонстрирующих различные виды животных и их естественную среду обитания. Ниже приведены примеры изображений из этого набора, каждое из которых сопровождается соответствующими аннотациями.

• Мозаичные изображения: Здесь мы представляем обучающую партию, состоящую из мозаичных изображений из набора данных. Мозаика - метод обучения, при котором несколько изображений объединяются в одно, что обогащает разнообразие партии. Этот метод помогает повысить способность модели к обобщению для объектов разных размеров, соотношения сторон и контекста.

Этот пример иллюстрирует разнообразие и сложность изображений в наборе данных о дикой природе Африки, подчеркивая преимущества включения мозаики в процесс обучения.

Цитаты и благодарности

Набор данных был выпущен в свободный доступ по лицензииAGPL-3.0 .

Комментарии