Bộ dữ liệu Động vật hoang dã Châu Phi

Q: What is the African Wildlife Dataset, and how can it be used in computer vision projects?

Bộ dữ liệu Động vật hoang dã Châu Phi bao gồm hình ảnh của bốn loài động vật phổ biến được tìm thấy trong các khu bảo tồn thiên nhiên ở Nam Phi: trâu, voi, tê giác và ngựa vằn. Đây là một nguồn tài nguyên có giá trị để huấn luyện các thuật toán thị giác máy tính trong việc phát hiện đối tượng và nhận dạng động vật. Bộ dữ liệu hỗ trợ các tác vụ khác nhau 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 Cấu trúc bộ dữ liệu và Ứng dụng của bộ dữ liệu.

Bộ dữ liệu này giới thiệu bốn lớp động vật phổ biến thường thấy trong các khu bảo tồn thiên nhiên ở Nam Phi. Nó bao gồm hình ảnh về động vật hoang dã châu Phi như trâu, voi, tê giác và ngựa vằn, cung cấp những hiểu biết có giá trị về đặc điểm của chúng. Cần thiết cho việc huấn luyện các thuật toán thị giác máy tính, bộ dữ liệu này hỗ trợ xác định động vật trong các môi trường sống khác nhau, từ vườn thú đến rừng và hỗ trợ nghiên cứu động vật hoang dã.

Xem: Phát hiện Động vật Hoang dã Châu Phi bằng Ultralytics YOLO11

Cấu trúc bộ dữ liệu

Bộ dữ liệu phát hiện đối tượng động vật hoang dã châu Phi được chia thành ba tập hợp con:

Tập huấn luyện: Chứa 1052 hình ảnh, mỗi hình ảnh có các chú thích tương ứng.
Tập dữ liệu xác thực: Bao gồm 225 ảnh, mỗi ảnh đi kèm với các chú thích.
Tập dữ liệu kiểm thử: Bao gồm 227 ảnh, mỗi ảnh đi kèm với các chú thích.

Các ứng dụng

Tập dữ liệu này có thể được áp dụng trong nhiều tác vụ thị giác máy tính khác nhau như phát hiện đối tượng, theo dõi đối tượng và nghiên cứu. Cụ thể, nó có thể được sử dụng để huấn luyện và đánh giá các mô hình để xác định các đối tượng động vật hoang dã châu Phi trong hình ảnh, 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 các khu vực được bảo vệ. Ngoài ra, nó có thể đóng vai trò là một nguồn tài nguyên có giá trị cho mục đích giáo dục, cho phép sinh viên và nhà nghiên cứu nghiên cứu và hiểu các đặc điểm và hành vi của các loài động vật khác nhau.

YAML bộ dữ liệu

Tệp YAML (Yet Another Markup Language) xác định cấu hình tập dữ liệu, bao gồm đường dẫn, các lớp và các chi tiết liên quan khác. Đối với tập dữ liệu động vật hoang dã châu Phi, african-wildlife.yaml tệp nằm tại https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/african-wildlife.yaml.

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 mô hình YOLO11n trên bộ dữ liệu động vật hoang dã châu Phi trong 100 epoch với kích thước hình ảnh là 640, hãy sử dụng các mẫu mã được cung cấp. Để có danh sách đầy đủ các tham số có sẵn, hãy tham khảo trang Huấn luyện của mô hình.

Ví dụ huấn luyện

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Ví dụ về suy luận

PythonCLI

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"

Ảnh và Chú thích mẫu

Bộ dữ liệu về động vật hoang dã châu Phi bao gồm nhiều hình ảnh khác nhau thể hiện 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 các chú thích tương ứng.

Hình ảnh mẫu bộ dữ liệu động vật hoang dã châu Phi

Hình ảnh ghép: Ở đây, chúng tôi trình bày một lô đào tạo bao gồm các hình ảnh bộ dữ liệu được ghép. Ghép ảnh, một kỹ thuật đào tạo, kết hợp nhiều hình ảnh thành một, làm phong phú thêm sự đa dạng của lô. Phương pháp này giúp tăng cường khả năng khái quát hóa của mô hình trên các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Ví dụ này minh họa sự đa dạng và phức tạp của hình ảnh trong bộ dữ liệu về động vật hoang dã châu Phi, nhấn mạnh những lợi ích của việc đưa ghép ảnh vào trong quá trình đào tạo.

Trích dẫn và Lời cảm ơn

Bộ dữ liệu đã được phát hành theo Giấy phép AGPL-3.0.

Câu hỏi thường gặp

Bộ dữ liệu African Wildlife là gì và nó có thể được sử dụng như thế nào trong các dự án thị giác máy tính?

Bộ dữ liệu về Động vật hoang dã Châu Phi bao gồm hình ảnh của bốn loài động vật phổ biến thường thấy trong các khu bảo tồn thiên nhiên ở Nam Phi: trâu, voi, tê giác và ngựa vằn. Đây là một nguồn tài nguyên có giá trị để đào tạo các thuật toán thị giác máy tính trong việc phát hiện đối tượng và nhận dạng động vật. Bộ dữ liệu hỗ trợ nhiều tác vụ khác nhau 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 Cấu trúc bộ dữ liệu và Ứng dụng của bộ dữ liệu.

Làm cách nào để huấn luyện mô hình YOLO11 bằng bộ dữ liệu African Wildlife?

Bạn có thể huấn luyện mô hình YOLO11 trên Bộ dữ liệu Động vật hoang dã Châu Phi bằng cách sử dụng african-wildlife.yaml tệp cấu hình. Dưới đây là một ví dụ về cách huấn luyện mô hình YOLO11n trong 100 epochs với kích thước ảnh là 640:

Ví dụ

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640

Để biết thêm các tham số và tùy chọn huấn luyện, hãy tham khảo tài liệu Huấn luyện.

Tôi có thể tìm thấy tệp cấu hình YAML cho bộ dữ liệu African Wildlife ở đâu?

Tệp cấu hình YAML cho Bộ dữ liệu Động vật hoang dã Châu Phi, có tên là african-wildlife.yaml, có thể được tìm thấy tại liên kết GitHub này. Tệp này xác định cấu hình bộ dữ liệu, bao gồm đường dẫn, lớp và các chi tiết quan trọng khác để huấn luyện học máy các mô hình. Xem YAML bộ dữ liệu phần để biết thêm chi tiết.

Tôi có thể xem sample_images và chú thích từ Bộ dữ liệu Động vật hoang dã Châu Phi không?

Có, Bộ dữ liệu Động vật hoang dã Châu Phi bao gồm nhiều hình ảnh khác nhau thể hiện các loài động vật đa dạng trong môi trường sống tự nhiên của chúng. Bạn có thể xem các sample_images và các chú thích tương ứng của chúng trong phần Sample Images and Annotations. Phần này cũng minh họa việc sử dụng kỹ thuật khảm để kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để làm phong phú thêm tính đa dạng của lô, nâng cao khả năng khái quát hóa của mô hình.