Bộ dữ liệu 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

Bộ dữ liệu Động vật hoang dã châu Phi của Ultralytics là một bộ dữ liệu phát hiện đối tượng gồm 1.504 hình ảnh thuộc 4 lớp động vật — trâu rừng, voi, tê giác và ngựa vằn — thường được tìm thấy 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 tra, đồng thời bộ dữ liệu sẽ tự động tải xuống (~100 MB) vào lần đầu tiên bạn huấn luyện. Đây là một benchmark nhỏ gọn, sẵn sàng sử dụng để huấn luyện các model thị giác máy tính cho việc giám sát động vật hoang dã, bảo tồn và nghiên cứu sinh thái.

Cấu trúc bộ dữ liệu#

Bộ dữ liệu Động vật hoang dã châu Phi của Ultralytics chứa 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 tra: 227 hình ảnh, mỗi ảnh đi kèm annotation tương ứng.

Khám phá African Wildlife trên Ultralytics Platform để xem các hình ảnh cùng lớp phủ annotation, xem phân bố lớp và heatmap bounding box trong tab Charts, rồi clone bộ dữ liệu để huấn luyện model của riêng bạn trên cloud.

Ứng dụng#

Bộ dữ liệu Động vật hoang dã châu Phi của Ultralytics 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 trong các khu bảo tồn thiên nhiên và khu vực được bảo vệ.
• Nghiên cứu sinh thái — nghiên cứu sự phân bố và hành vi của các loài trong những môi trường sống khác nhau.
• Giám sát chống săn trộm — đánh dấu động vật trong video từ bẫy ảnh hoặc drone trên các khu vực được bảo vệ rộng lớn.
• Giáo dục và tạo prototype — bộ dữ liệu bốn lớp nhỏ gọn để học huấn luyện model và prediction.

YAML của bộ dữ liệu#

Một tệp YAML định nghĩa cấu hình bộ dữ liệu, bao gồm các đường dẫn, lớp và những thông tin liên quan khác. Đối với Bộ dữ liệu Động vật hoang dã châu Phi, 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 Bộ dữ liệu Động vật hoang dã châu Phi trong 100 epoch với kích thước hình ảnh 640, hãy sử dụng các đoạn code mẫu được cung cấp. Để xem danh sách đầy đủ các tham số hiện có, 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)

Sau khi huấn luyện, hãy chạy inference với model đã fine-tune trên các hình ảnh mới:

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")

Hình ảnh mẫu và annotation#

Bộ dữ liệu Động vật hoang dã châu Phi bao gồm nhiều hình ảnh đa dạng, thể hiện các loài động vật và môi trường sống tự nhiên phong phú. Dưới đây là các ví dụ hình ảnh từ bộ dữ liệu, mỗi ảnh đi kèm annotation tương ứng.

• Hình ảnh mosaic: Dưới đây là một batch huấn luyện gồm các hình ảnh mosaic từ bộ dữ liệu. Mosaic là một kỹ thuật huấn luyện kết hợp nhiều hình ảnh thành một, giúp 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 bộ dữ liệu gốc, Bianca Ferreira, vì đã phát hành bộ dữ liệu này cho cộng đồng. Đội ngũ Ultralytics đã cập nhật và điều chỉnh bộ dữ liệu nội bộ để có thể sử dụng liền mạch với các model Ultralytics YOLO. Bộ dữ liệu nguồn không chỉ định giấy phép.

Nếu sử dụng bộ dữ liệu này trong nghiên cứu, vui lòng trích dẫn theo các thông tin 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 = {Not specified},
    version = {1.0.0},
    year    = {2024}
}

FAQ#