Afrika Yaban Hayatı Veri Kümesi#

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

Ultralytics Afrika Yaban Hayatı Veri Kümesi, Güney Afrika doğa rezervlerinde yaygın olarak bulunan 4 hayvan sınıfındaki — manda, fil, gergedan ve zebra — 1.504 görüntüden oluşan bir nesne algılama veri kümesidir. Görüntüler önceden 1.052 eğitim, 225 doğrulama ve 227 test görüntüsü olarak ayrılmıştır ve veri kümesi, eğitimi ilk kez başlattığında otomatik olarak indirilir (~100 MB). Yaban hayatı izleme, koruma ve ekolojik araştırmalar için bilgisayarlı görü modellerini eğitmeye uygun, kompakt ve kullanıma hazır bir kıyaslama veri kümesidir.

Veri Kümesi Yapısı#

Ultralytics Afrika Yaban Hayatı Veri Kümesi, 4 sınıfa (manda, fil, gergedan ve zebra) ait 1.504 görüntü içerir ve üç alt kümeye önceden ayrılmıştır:

• Eğitim kümesi: Her birinin karşılık gelen açıklamaları bulunan 1.052 görüntü.
• Doğrulama kümesi: Eşleştirilmiş açıklamalara sahip 225 görüntü.
• Test kümesi: Eşleştirilmiş açıklamalara sahip 227 görüntü.

Görüntülere açıklama katmanlarıyla göz atmak, Charts sekmesinde sınıf dağılımını ve sınırlayıcı kutu ısı haritalarını görüntülemek ve bulutta kendi modelini eğitmek üzere veri kümesini klonlamak için Ultralytics Platform'da Afrika Yaban Hayatını keşfet.

Uygulamalar#

Ultralytics Afrika Yaban Hayatı Veri Kümesi, çeşitli nesne algılama uygulamalarını destekler:

• Yaban hayatı koruma — doğa rezervlerinde ve korunan alanlarda hayvan popülasyonu izlemeyi desteklemek için manda, fil, gergedan ve zebraları algıla ve say.
• Ekolojik araştırma — farklı habitatlardaki tür dağılımını ve davranışlarını incele.
• Kaçak avcılıkla mücadele gözetimi — geniş korunan alanlardaki fotokapan veya drone görüntülerinde hayvanları işaretle.
• Eğitim ve prototip oluşturma — model eğitimi ve tahmin öğrenmek için kompakt, dört sınıflı bir veri kümesi.

Veri Kümesi YAML'i#

Bir YAML dosyası; yollar, sınıflar ve diğer ilgili 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 konumunda 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 bir YOLO26n modelini görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitmek için sağlanan kod örneklerini kullan. Kullanılabilir parametrelerin kapsamlı listesi için modelin Eğitim sayfasına bak.

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)

Eğitim tamamlandıktan sonra yeni görüntüler üzerinde ince ayar yapılmış modelle çıkarım çalıştır:

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 Açıklamalar#

Afrika Yaban Hayatı Veri Kümesi, çeşitli hayvan türlerini ve bunların doğal habitatlarını gösteren çok çeşitli görüntülerden oluşur. Aşağıda, her birine karşılık gelen açıklamaların eşlik ettiği veri kümesi görüntülerinden örnekler verilmiştir.

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

Atıflar, Lisans ve Teşekkürler#

Bu veri kümesini topluluğun kullanımına sunduğu için özgün veri kümesi yazarı Bianca Ferreira'ya teşekkür etmek isteriz. Ultralytics ekibi, Ultralytics YOLO modelleriyle sorunsuz şekilde kullanılabilmesi için veri kümesini kurum içinde güncelleyip uyarlamıştır. Kaynak veri kümesi bir lisans belirtmemektedir.

Bu veri kümesini araştırmanda kullanıyorsan 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 = {Not specified},
    version = {1.0.0},
    year    = {2024}
}

SSS#