Afrika Yaban Hayatı Veri Kümesi

Bu veri kümesi, Güney Afrika doğa koruma alanlarında yaygın olarak bulunan dört hayvan sınıfını sergiler. Manda, fil, gergedan ve zebra gibi Afrika yaban hayatına ait görüntüleri içerir ve bunların özellikleri hakkında değerli bilgiler sunar. Bilgisayarlı görü algoritmaları eğitmek için temel niteliğinde olan bu veri kümesi, hayvanların hayvanat bahçelerinden ormanlara kadar çeşitli habitatlarda tanımlanmasına yardımcı olur ve yaban hayatı araştırmalarını destekler.

Veri Kümesi Yapısı

Afrika yaban hayatı nesne algılama veri kümesi üç alt kümeye ayrılmıştır:

• Eğitim kümesi: Her biri ilgili ek açıklamalarla birlikte 1052 görüntü içerir.
• Doğrulama kümesi: Her biri eşleştirilmiş ek açıklamalarla birlikte 225 görüntü içerir.
• Test kümesi: Her biri eşleştirilmiş ek açıklamalarla birlikte 227 görüntü içerir.

Uygulamalar

Bu veri kümesi, nesne algılama, nesne izleme ve araştırma gibi çeşitli bilgisayarlı görü görevlerinde uygulanabilir. Özellikle, görüntülerdeki Afrika yaban hayatı nesnelerini tanımlamak için modelleri eğitmek ve değerlendirmek amacıyla kullanılabilir; bu da yaban hayatını koruma, ekolojik araştırma ve doğal koruma alanlarındaki izleme çalışmalarında uygulama alanı bulabilir. Ayrıca, öğrencilerin ve araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını inceleyip anlamalarını sağlayan eğitim amaçlı değerli bir kaynak olarak da hizmet edebilir.

Veri Kümesi YAML Dosyası

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer ilgili detaylar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Afrika yaban hayatı veri kümesi için african-wildlife.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml adresinde bulunur.

# 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

Kullanım

Afrika yaban hayatı veri kümesi üzerinde 100 epok boyunca 640 görüntü boyutu ile bir YOLO26n modeli eğitmek için sağlanan kod örneklerini kullan. Kullanılabilir parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına başvur.

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")

Örnek Görüntüler ve Ek Açıklamalar

Afrika yaban hayatı veri kümesi, çeşitli hayvan türlerini ve doğal habitatlarını sergileyen çok çeşitli görüntülerden oluşur. Aşağıda, her biri ilgili ek açıklamalarıyla birlikte veri kümesinden alınmış örnek görüntüler bulunmaktadır.

• Mozaiklenmiş Görüntü: Burada, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu sunuyoruz. Bir eğitim tekniği olan mozaikleme, birden fazla görüntüyü tek bir görüntüde birleştirerek grup çeşitliliğini zenginleştirir. Bu yöntem, modelin farklı nesne boyutları, en-boy oranları ve bağlamlar genelinde genelleme yapma yeteneğini artırmaya yardımcı olur.

Bu örnek, Afrika yaban hayatı veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstermekte ve eğitim sürecinde mozaikleme kullanmanın avantajlarını vurgulamaktadır.

Alıntılar, Lisans ve Teşekkür

Bu veri kümesini topluluğa sunduğu için orijinal veri kümesi yazarı Bianca Ferreira'ya teşekkür ederiz. Ultralytics ekibi, Ultralytics YOLO modelleri ile sorunsuz bir şekilde kullanılabilmesi için veri kümesini dahili olarak güncellemiş ve uyarlamıştır. Bu veri kümesi AGPL-3.0 Lisansı altında mevcuttur.

Bu veri kümesini araştırmanda kullanıyorsan, lütfen belirtilen detayları kullanarak atıfta bulun:

@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}
}

SSS

Afrika Yaban Hayatı Veri Kümesi nedir ve bilgisayarlı görü projelerinde nasıl kullanılabilir?

Afrika Yaban Hayatı Veri Kümesi, Güney Afrika doğa koruma alanlarında bulunan dört yaygın hayvan türünün (manda, fil, gergedan ve zebra) görüntülerini içerir. Nesne algılama ve hayvan tanımlama konularında bilgisayarlı görü algoritmalarını eğitmek için değerli bir kaynaktır. Veri kümesi, nesne izleme, araştırma ve koruma çalışmaları gibi çeşitli görevleri destekler. Yapısı ve uygulamaları hakkında daha fazla bilgi için Veri Kümesi Yapısı bölümüne ve veri kümesinin Uygulamalar kısmına bakabilirsin.

Afrika Yaban Hayatı Veri Kümesini kullanarak bir YOLO26 modelini nasıl eğitebilirim?

Bir YOLO26 modelini, african-wildlife.yaml yapılandırma dosyasını kullanarak Afrika Yaban Hayatı Veri Kümesi üzerinde eğitebilirsin. Aşağıda, YOLO26n modelini 100 epok boyunca ve 640 görüntü boyutu ile nasıl eğiteceğine dair bir örnek yer almaktadır:

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)

Ek eğitim parametreleri ve seçenekleri için Eğitim belgelerine başvur.

Afrika Yaban Hayatı Veri Kümesi için YAML yapılandırma dosyasını nerede bulabilirim?

Afrika Yaban Hayatı Veri Kümesi için african-wildlife.yaml adlı YAML yapılandırma dosyasını bu GitHub bağlantısında bulabilirsin. Bu dosya, makine öğrenimi modellerini eğitmek için kritik olan yollar, sınıflar ve diğer detaylar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Daha fazla detay için Veri Kümesi YAML bölümüne bak.

Afrika Yaban Hayatı Veri Kümesinden örnek görüntüler ve ek açıklamalar görebilir miyim?

Evet, Afrika Yaban Hayatı Veri Kümesi, doğal habitatlarındaki çeşitli hayvan türlerini sergileyen çok sayıda görüntü içerir. Örnek görüntüleri ve bunlara karşılık gelen ek açıklamaları Örnek Görüntüler ve Ek Açıklamalar bölümünde görüntüleyebilirsin. Bu bölüm ayrıca, zenginleştirilmiş grup çeşitliliği için birden fazla görüntüyü birleştiren ve modelin genelleme yeteneğini artıran mozaikleme tekniğinin kullanımını da göstermektedir.

Afrika Yaban Hayatı Veri Kümesi, yaban hayatını koruma ve araştırmaları desteklemek için nasıl kullanılabilir?

Afrika Yaban Hayatı Veri Kümesi, farklı habitatlardaki Afrika yaban hayatını tanımlamak için modellerin eğitilmesini ve değerlendirilmesini sağlayarak yaban hayatını koruma ve araştırmaları desteklemek için idealdir. Bu modeller hayvan popülasyonlarını izleme, davranışlarını inceleme ve koruma ihtiyaçlarını tespit etme konularında yardımcı olabilir. Ayrıca, veri kümesi eğitim amaçlı kullanılabilir ve öğrencilerin/araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını anlamalarına yardımcı olabilir. Daha fazla ayrıntı Uygulamalar bölümünde bulunabilir.