Link to this sectionBộ dữ liệu African Wildlife#
Bộ dữ liệu này giới thiệu bốn lớp động vật phổ biến thường thấy trong các khu bảo tồn thiên nhiên tại Nam Phi. Nó bao gồm hình ảnh động vật hoang dã châu Phi như trâu, voi, tê giác và ngựa vằn, cung cấp những thông tin giá trị về đặc điểm của chúng. Rất cần thiết cho việc huấn luyện các thuật toán computer vision, bộ dữ liệu này hỗ trợ việc nhận diện động vật trong nhiều môi trường sống khác nhau, từ vườn thú đến rừng rậm, đồng thời hỗ trợ các nghiên cứu về động vật hoang dã.
Watch: How to Train Ultralytics YOLO26 on the African Wildlife Dataset | Inference, Metrics & ONNX Export 🐘
Link to this sectionCấu trúc tập dữ liệu#
Bộ dữ liệu phát hiện đối tượng động vật hoang dã châu Phi được chia thành ba tập con:
- Training set: Chứa 1052 hình ảnh, mỗi hình ảnh đi kèm với chú thích tương ứng.
- Validation set: Bao gồm 225 hình ảnh, mỗi hình ảnh đi kèm với chú thích tương ứng.
- Testing set: Bao gồm 227 hình ảnh, mỗi hình ảnh đi kèm với chú thích tương ứng.
Link to this sectionỨng dụng#
Bộ dữ liệu này có thể được áp dụng trong nhiều tác vụ computer vision khác nhau như object detection, theo dõi đối tượng và nghiên cứu. Cụ thể, nó có thể được sử dụng để huấn luyện và đánh giá các model nhận diện các đối tượng động vật hoang dã châu Phi trong hình ảnh, từ đó có thể ứng dụng trong bảo tồn động vật hoang dã, nghiên cứu sinh thái và các nỗ lực giám sát trong các khu bảo tồn thiên nhiên và khu vực được bảo vệ. Ngoài ra, nó cũng có thể đóng vai trò là tài nguyên giá trị cho mục đích giáo dục, giúp sinh viên và các nhà nghiên cứu tìm hiểu và nắm bắt đặc điểm cũng như hành vi của các loài động vật khác nhau.
Link to this sectionYAML tập dữ liệu#
Một tệp YAML (Yet Another Markup Language) xác định cấu hình bộ dữ liệu, bao gồm các đường dẫn, lớp và các chi tiết liên quan khác. Đối với bộ dữ liệu African wildlife, 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.zipLink to this sectionCách sử dụng#
Để huấn luyện một model YOLO26n trên bộ dữ liệu African wildlife trong 100 epochs với kích thước hình ảnh là 640, hãy sử dụng các đoạn code mẫu được cung cấp. Để có danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Training của model.
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 sectionHình ảnh mẫu và chú thích#
Bộ dữ liệu African wildlife bao gồm nhiều loại hình ảnh khác nhau giới thiệu các loài động vật đa dạng và môi trường sống tự nhiên của chúng. Dưới đây là các ví dụ về hình ảnh từ bộ dữ liệu, mỗi hình ảnh đi kèm với chú thích tương ứng.
- Mosaiced Image: Tại đây, chúng tôi trình bày một batch huấn luyện bao gồm các hình ảnh từ bộ dữ liệu đã được ghép (mosaic). Mosaicing là một kỹ thuật huấn luyện kết hợp nhiều hình ảnh thành một, giúp làm phong phú sự đa dạng của batch. Phương pháp này giúp tăng cường khả năng tổng quát hóa của model trên các kích thước đối tượng, tỷ lệ khung hình và bối cảnh khác nhau.
Ví dụ này minh họa sự đa dạng và phức tạp của các hình ảnh trong bộ dữ liệu African wildlife, nhấn mạnh lợi ích của việc áp dụng kỹ thuật ghép ảnh (mosaicing) trong quá trình huấn luyện.
Link to this sectionTrích dẫn, Giấy phép và Ghi nhận#
Chúng tôi xin cảm ơn tác giả ban đầu của bộ dữ liệu, Bianca Ferreira, vì đã chia sẻ bộ dữ liệu này với cộng đồng. Đội ngũ Ultralytics đã cập nhật và điều chỉnh nó để có thể sử dụng liền mạch với các model Ultralytics YOLO. Bộ dữ liệu này được cung cấp theo Giấy phép AGPL-3.0.
Nếu bạn sử dụng bộ dữ liệu này trong nghiên cứu của mình, vui lòng trích dẫn nó bằng các chi tiết được đề cập:
@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 sectionCâu hỏi thường gặp#
Link to this sectionBộ dữ liệu African Wildlife là gì và nó có thể được sử dụng như thế nào trong các dự án computer vision?#
Bộ dữ liệu African Wildlife bao gồm hình ảnh của bốn loài động vật phổ biến tìm thấy trong các khu bảo tồn thiên nhiên tại Nam Phi: trâu, voi, tê giác và ngựa vằn. Đây là tài nguyên giá trị để huấn luyện các thuật toán computer vision trong việc phát hiện đối tượng và nhận diện động vật. Bộ dữ liệu hỗ trợ nhiều tác vụ như theo dõi đối tượng, nghiên cứu và các nỗ lực bảo tồn. Để biết thêm thông tin về cấu trúc và ứng dụng của nó, hãy tham khảo phần Dataset Structure và Applications của bộ dữ liệu.
Link to this sectionLàm thế nào để tôi huấn luyện một model YOLO26 sử dụng Bộ dữ liệu African Wildlife?#
Bạn có thể huấn luyện một model YOLO26 trên Bộ dữ liệu African Wildlife bằng cách sử dụng tệp cấu hình african-wildlife.yaml. Dưới đây là ví dụ về cách huấn luyện model YOLO26n trong 100 epoch với kích thước hình ảnh là 640:
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)Để biết thêm các tham số và tùy chọn huấn luyện bổ sung, hãy tham khảo tài liệu Training.
Link to this sectionTôi có thể tìm tệp cấu hình YAML cho Bộ dữ liệu African Wildlife ở đâu?#
Tệp cấu hình YAML cho Bộ dữ liệu African Wildlife, có tên african-wildlife.yaml, có thể được tìm thấy tại liên kết GitHub này. Tệp này xác định cấu hình bộ dữ liệu, bao gồm các đường dẫn, lớp và các chi tiết khác quan trọng cho việc huấn luyện các model machine learning. Xem phần Dataset YAML để biết thêm chi tiết.
Link to this sectionTôi có thể xem các hình ảnh mẫu và chú thích từ Bộ dữ liệu African Wildlife không?#
Có, Bộ dữ liệu African Wildlife bao gồm nhiều loại hình ảnh đa dạng thể hiện các loài động vật trong môi trường sống tự nhiên của chúng. Bạn có thể xem hình ảnh mẫu và các chú thích tương ứng của chúng trong phần Sample Images and Annotations. Phần này cũng minh họa việc sử dụng kỹ thuật ghép ảnh (mosaicing) để kết hợp nhiều hình ảnh thành một nhằm làm phong phú sự đa dạng của batch, giúp tăng cường khả năng tổng quát hóa của model.
Link to this sectionBộ dữ liệu African Wildlife có thể được sử dụng như thế nào để hỗ trợ công tác bảo tồn và nghiên cứu động vật hoang dã?#
Tập dữ liệu African Wildlife rất lý tưởng để hỗ trợ công tác bảo tồn và nghiên cứu động vật hoang dã, thông qua việc cho phép huấn luyện và đánh giá các mô hình để nhận diện động vật hoang dã châu Phi trong các môi trường sống khác nhau. Những mô hình này có thể hỗ trợ giám sát quần thể động vật, nghiên cứu hành vi của chúng và xác định các nhu cầu bảo tồn. Ngoài ra, tập dữ liệu này có thể được sử dụng cho mục đích giáo dục, giúp sinh viên và các nhà nghiên cứu hiểu rõ hơn về đặc điểm và hành vi của các loài động vật khác nhau. Thông tin chi tiết có thể được tìm thấy trong phần Ứng dụng.