Afrika Yaban Hayatı Veri Seti

Bu veri seti, Güney Afrika doğa rezervlerinde tipik olarak bulunan dört yaygın hayvan sınıfını sergiliyor. Bufalo, fil, gergedan ve zebra gibi Afrika yaban hayatının görüntülerini içerir ve özellikleri hakkında değerli bilgiler sağlar. Bilgisayarla görme algoritmalarını eğitmek için gerekli olan bu veri kümesi, hayvanat bahçelerinden ormanlara kadar çeşitli habitatlardaki hayvanların tanımlanmasına yardımcı olur ve vahşi yaşam araştırmalarını destekler.

Veri Kümesi Yapısı

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

• Eğitim seti: Her biri ilgili açıklamalara sahip 1052 görüntü içerir.
• Doğrulama seti: Her biri eşleştirilmiş ek açıklamalara sahip 225 görüntü içerir.
• Test seti: Her biri eşleştirilmiş ek açıklamalara sahip 227 görüntüden oluşur.

Uygulamalar

Bu veri kümesi nesne algılama, nesne izleme ve araştırma gibi çeşitli bilgisayarla görme görevlerinde uygulanabilir. Özellikle, görüntülerdeki Afrika yaban hayatı nesnelerini tanımlamaya yönelik modelleri eğitmek ve değerlendirmek için kullanılabilir; bu da yaban hayatının korunması, ekolojik araştırmalar ve doğal rezervler ile korunan alanlardaki izleme çalışmalarında uygulama alanı bulabilir. Ayrıca, öğrencilerin ve araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını incelemelerini ve anlamalarını sağlayarak eğitim amaçlı değerli bir kaynak olarak hizmet edebilir.

Veri Kümesi YAML

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer ilgili ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar. Afrika yaban hayatı veri kümesi için african-wildlife.yaml dosyası şu adreste bulunur 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

Kullanım

Afrika yaban hayatı veri kümesi üzerinde 640 görüntü boyutunda 100 epok için bir YOLOv8n modelini eğitmek için sağlanan kod örneklerini kullanın. Kullanılabilir parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

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"

Örnek Görüntüler ve Açıklamalar

Afrika vahşi yaşam veri kümesi, çeşitli hayvan türlerini ve doğal yaşam alanlarını sergileyen çok çeşitli görüntülerden oluşmaktadır. Aşağıda, veri setinden her birine karşılık gelen açıklamaların eşlik ettiği görüntü örnekleri yer almaktadır.

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

Bu örnek, Afrika yaban hayatı veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını göstermekte ve eğitim sürecinde mozaiklemenin faydalarını vurgulamaktadır.

Atıflar ve Teşekkür

Veri seti AGPL-3.0 Lisansı altında kullanıma sunulmuştur.

Yorumlar