Link to this sectionAfrika Yaban Hayatı Veri Kümesi#

Bu veri kümesi, Güney Afrika doğa koruma alanlarında yaygın olarak bulunan dört hayvan sınıfını sergilemektedir. Manda, fil, gergedan ve zebra gibi Afrika yaban hayatına ait görselleri içererek bu hayvanların karakteristik özelliklerine dair değerli bilgiler sunar. Bilgisayarlı görü algoritmalarını eğitmek için temel niteliğinde olan bu veri kümesi, hayvanların hayvanat bahçelerinden ormanlara kadar çeşitli habitatlarda tanımlanmasına yardımcı olur ve yaban hayatı araştırmalarını destekler.

Link to this sectionVeri Kümesi Yapısı#

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

• Eğitim kümesi: Her biri karşılık gelen açıklamalara sahip 1052 görsel içerir.
• Doğrulama kümesi: Her biri eşleştirilmiş açıklamalara sahip 225 görsel içerir.
• Test kümesi: Her biri eşleştirilmiş açıklamalara sahip 227 görselden oluşur.

Link to this sectionUygulamalar#

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

Link to this sectionVeri Kümesi YAML#

Bir YAML (Yet Another Markup Language) dosyası; yollar, sınıflar ve diğer önemli ayrıntılar 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 yer almaktadır.

# 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

Link to this sectionKullanım#

Afrika yaban hayatı veri kümesi üzerinde 640 görsel boyutuyla 100 dönem boyunca bir YOLO26n modeli eğitmek için sağlanan kod örneklerini kullanabilirsin. Kullanılabilir parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına bakabilirsin.

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")

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

Afrika yaban hayatı veri kümesi, çeşitli hayvan türlerini ve onların doğal yaşam alanlarını sergileyen çok sayıda görseli kapsamaktadır. Aşağıda, her biri ilgili açıklamalarıyla birlikte veri kümesinden görsel örnekleri yer almaktadır.

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

Bu örnek, Afrika yaban hayatı veri kümesindeki görsellerin çeşitliliğini ve karmaşıklığını göstermekte olup eğitim süreci sırasında mozaikleme kullanmanın faydalarını vurgulamaktadır.

Link to this sectionAlıntılar, Lisans ve Teşekkür#

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

Bu veri kümesini araştırmanda kullanırsan lütfen belirtilen ayrıntıları 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}
}

Link to this sectionSSS#

Link to this sectionAfrika Yaban Hayatı Veri Kümesi nedir ve bilgisayarlı görü projelerinde nasıl kullanılabilir?#

Afrika Yaban Hayatı Veri Kümesi; manda, fil, gergedan ve zebra gibi Güney Afrika doğa koruma alanlarında bulunan dört yaygın hayvan türünün görsellerini içerir. Nesne algılama ve hayvan tanımlama konularında bilgisayarlı görü algoritmalarını eğitmek için değerli bir kaynaktır. Veri kümesi; nesne takibi, 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.

Link to this sectionAfrika Yaban Hayatı Veri Kümesi'ni kullanarak nasıl YOLO26 modeli eğitebilirim?#

african-wildlife.yaml yapılandırma dosyasını kullanarak Afrika Yaban Hayatı Veri Kümesi üzerinde bir YOLO26 modeli eğitebilirsin. Aşağıda, 640 görsel boyutuyla 100 dönem boyunca YOLO26n modelini 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 dokümantasyonuna başvurabilirsin.

Link to this sectionAfrika Yaban Hayatı Veri Kümesi için YAML yapılandırma dosyasını nerede bulabilirim?#

Afrika Yaban Hayatı Veri Kümesi için african-wildlife.yaml adlı YAML yapılandırma dosyası bu GitHub bağlantısında bulunabilir. Bu dosya; yollar, sınıflar ve makine öğrenimi modellerini eğitmek için kritik öneme sahip diğer ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Daha fazla ayrıntı için Veri Kümesi YAML bölümüne bakabilirsin.

Link to this sectionAfrika Yaban Hayatı Veri Kümesi'nden örnek görselleri ve açıklamaları görebilir miyim?#

Evet, Afrika Yaban Hayatı Veri Kümesi, doğal yaşam alanlarında bulunan çeşitli hayvan türlerini sergileyen geniş bir görsel yelpazesi içerir. Örnek görselleri ve bunlara karşılık gelen açıklamaları Örnek Görseller ve Açıklamalar bölümünde inceleyebilirsin. Bu bölüm aynı zamanda, zenginleştirilmiş grup çeşitliliği sağlamak ve modelin genelleme yeteneğini artırmak amacıyla birden fazla görseli tek bir karede birleştirmek için mozaikleme tekniğinin kullanımını da göstermektedir.

Link to this sectionAfrika Yaban Hayatı Veri Kümesi, yaban hayatını koruma ve araştırmaları desteklemek için nasıl kullanılabilir?#

African Wildlife Dataset, farklı habitatlardaki Afrika yaban hayatını tanımlamak için modellerin eğitilmesini ve değerlendirilmesini sağlayarak yaban hayatı koruma ve araştırmalarını desteklemek için idealdir. Bu modeller hayvan popülasyonlarını izlemeye, davranışlarını incelemeye ve koruma ihtiyaçlarını tanımaya yardımcı olabilir. Ayrıca veri seti, öğrencilerin ve araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını anlamalarına yardımcı olarak eğitim amaçlı da kullanılabilir. Daha fazla ayrıntı Uygulamalar bölümünde bulunabilir.