Dataset Động vật hoang dã châu Phi#

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 African Wildlife Dataset là một dataset phát hiện đối tượng gồm 1.504 hình ảnh thuộc 4 lớp động vật — trâu rừng, voi, tê giác và ngựa vằn — thường gặp trong các khu bảo tồn thiên nhiên ở Nam Phi. Hình ảnh được chia sẵn thành 1.052 ảnh huấn luyện, 225 ảnh validation và 227 ảnh kiểm thử; dataset sẽ tự động tải xuống (~100 MB) trong lần đầu tiên bạn huấn luyện. Đây là benchmark nhỏ gọn, sẵn sàng sử dụng để huấn luyện model thị giác máy tính cho việc giám sát động vật hoang dã, bảo tồn và nghiên cứu sinh thái.

Cấu trúc dataset#

Ultralytics African Wildlife Dataset gồm 1.504 hình ảnh thuộc 4 lớp (trâu rừng, voi, tê giác và ngựa vằn), được chia sẵn thành ba tập con:

• Tập huấn luyện: 1.052 hình ảnh, mỗi ảnh có annotation tương ứng.
• Tập validation: 225 hình ảnh, mỗi ảnh đi kèm annotation tương ứng.
• Tập kiểm thử: 227 hình ảnh, mỗi ảnh đi kèm annotation tương ứng.

Khám phá African Wildlife trên Ultralytics Platform để duyệt hình ảnh kèm lớp phủ annotation, xem phân bố lớp và heatmap bounding box trong tab Biểu đồ, đồng thời sao chép dataset để huấn luyện model của riêng bạn trên cloud.

Ứng dụng#

Ultralytics African Wildlife Dataset hỗ trợ nhiều ứng dụng phát hiện đối tượng:

• Bảo tồn động vật hoang dã — phát hiện và đếm trâu rừng, voi, tê giác và ngựa vằn để hỗ trợ giám sát quần thể động vật tại các khu bảo tồn thiên nhiên và khu vực được bảo vệ.
• Nghiên cứu sinh thái — nghiên cứu phân bố và hành vi của các loài trong nhiều môi trường sống khác nhau.
• Giám sát chống săn trộm — phát hiện động vật trong cảnh quay từ bẫy ảnh hoặc drone tại các khu vực bảo tồn rộng lớn.
• Giáo dục và tạo nguyên mẫu — dataset nhỏ gọn gồm bốn lớp để tìm hiểu về huấn luyện model và dự đoán.

YAML của dataset#

Tệp YAML xác định cấu hình dataset, bao gồm đường dẫn, lớp và các thông tin liên quan khác. Với African Wildlife Dataset, tệp african-wildlife.yaml nằm tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

# 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

Cách sử dụng#

Để huấn luyện model YOLO26n trên African Wildlife Dataset trong 100 epoch với kích thước ảnh 640, hãy dùng các mẫu mã được cung cấp. Để xem danh sách đầy đủ các tham số hiện có, hãy tham khảo trang Huấn luyện của model.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

# Huấn luyện model
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

Sau khi huấn luyện, chạy suy luận bằng model đã fine-tune trên hình ảnh mới:

from ultralytics import YOLO

# Tải model
model = YOLO("path/to/best.pt")  # tải model động vật hoang dã châu Phi đã fine-tune

# Suy luận bằng model
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

Hình ảnh mẫu và annotation#

African Wildlife Dataset bao gồm nhiều hình ảnh đa dạng về các loài động vật và môi trường sống tự nhiên của chúng. Dưới đây là các ví dụ hình ảnh trong dataset, mỗi ảnh đi kèm annotation tương ứng.

• Ảnh ghép mosaic: Tại đây, chúng tôi trình bày một batch huấn luyện gồm các hình ảnh dataset được ghép mosaic. Ghép mosaic là kỹ thuật huấn luyện kết hợp nhiều hình ảnh thành một, làm tăng tính đa dạng của batch. Phương pháp này giúp cải thiện khả năng tổng quát hóa của model trên các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Trích dẫn, giấy phép và lời cảm ơn#

Chúng tôi xin cảm ơn tác giả dataset gốc, Bianca Ferreira, đã chia sẻ dataset này với cộng đồng. Đội ngũ Ultralytics đã cập nhật và điều chỉnh dataset nội bộ để có thể sử dụng liền mạch với model Ultralytics YOLO. Dataset nguồn không nêu giấy phép.

Nếu sử dụng dataset này trong nghiên cứu, vui lòng trích dẫn theo thông tin đã nêu:

@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}
}

Câu hỏi thường gặp#