Link to this sectionBộ dữ liệu African Wildlife#

Ultralytics African Wildlife Dataset là một tập dữ liệu object detection gồm 1.504 ảnh thuộc 4 lớp động vật — trâu, voi, tê giác và ngựa vằn — thường thấy trong các khu bảo tồn thiên nhiên ở Nam Phi. Các hình ảnh được chia sẵn thành 1.052 ảnh huấn luyện, 225 ảnh kiểm chứng và 227 ảnh kiểm thử, và tập dữ liệu sẽ tự động tải xuống (~100 MB) trong lần đầu tiên bạn huấn luyện. Đây là một tập dữ liệu chuẩn nhỏ gọn, sẵn sàng để sử dụng cho việc huấn luyện các mô hình computer vision phục vụ giám sát động vật hoang dã, bảo tồn và nghiên cứu sinh thái.

Link to this sectionCấu trúc tập dữ liệu#

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

• Tập huấn luyện (Training set): 1.052 ảnh, mỗi ảnh đều có các chú thích tương ứng.
• Tập kiểm chứng (Validation set): 225 ảnh, mỗi ảnh đều có các chú thích đi kèm.
• Tập kiểm thử (Testing set): 227 ảnh, mỗi ảnh đều có các chú thích đi kèm.

Khám phá African Wildlife trên Nền tảng Ultralytics để duyệt qua các hình ảnh cùng các lớp phủ chú thích, xem phân phối lớp và bản đồ nhiệt bounding-box trong tab Charts, và sao chép nó để huấn luyện mô hình của riêng bạn trên đám mây.

Link to this sectionỨng dụng#

Ultralytics African Wildlife Dataset hỗ trợ một loạt các ứng dụng object detection:

• Bảo tồn động vật hoang dã — phát hiện và đếm trâu, 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 trên các môi trường sống khác nhau.
• Giám sát chống săn trộm — đánh dấu động vật trong camera bẫy hoặc cảnh quay từ thiết bị bay không người lái trên các khu vực bảo tồn rộng lớn.
• Giáo dục và tạo mẫu — một tập dữ liệu bốn lớp nhỏ gọn để học cách huấn luyện mô hình và dự đoán.

Link to this sectionYAML tập dữ liệu#

Một tệp YAML xác định cấu hình tập dữ liệu, bao gồm các đường dẫn, lớp và những thông tin liên quan khác. Đối với Tập 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

Link to this sectionCách sử dụng#

Để huấn luyện mô hình YOLO26n trên African Wildlife Dataset trong 100 epoch với kích thước ảnh là 640, hãy sử dụng các đoạn mã mẫu được cung cấp. Để có danh sách đầy đủ các tham số khả dụng, hãy tham khảo trang Huấn luyện của mô hình.

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 mô hình đã được tinh chỉnh trên các 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")

Link to this sectionHình ảnh mẫu và chú thích#

African Wildlife Dataset bao gồm nhiều loại hình ảnh đa dạng thể hiện các loài động vật khác nhau và môi trường sống tự nhiên của chúng. Dưới đây là các ví dụ về hình ảnh từ tập dữ liệu, mỗi ảnh đều đi kèm với các 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.

Link to this sectionTrích dẫn, Giấy phép và Ghi nhận#

Chúng tôi xin gửi lời cảm ơn tới tác giả gốc của tập dữ liệu, Bianca Ferreira, vì đã phát hành tập dữ liệu này cho cộng đồng. Đội ngũ Ultralytics đã cập nhật và tinh chỉnh tập dữ liệu này để có thể sử dụng liền mạch với các model Ultralytics YOLO. Tập dữ liệu nguồn không chỉ định giấy phép sử dụng.

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 = {Not specified},
    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?#

African Wildlife Dataset là một tập dữ liệu object detection gồm 1.504 ảnh thuộc 4 lớp động vật — trâu, voi, tê giác và ngựa vằn — được tìm thấy trong các khu bảo tồn thiên nhiên Nam Phi. Nó được sử dụng để huấn luyện và đánh giá các mô hình xác định động vật hoang dã châu Phi trong ảnh, hỗ trợ bảo tồn động vật hoang dã, nghiên cứu sinh thái và giám sát trong các khu bảo tồn tự nhiên. Nó cũng đóng vai trò là một tài nguyên dễ tiếp cận cho sinh viên và nhà nghiên cứu học tập về computer vision.

Link to this sectionAfrican Wildlife Dataset có bao nhiêu hình ảnh và lớp?#

Ultralytics African Wildlife Dataset chứa 1.504 hình ảnh thuộc 4 lớp: trâu, voi, tê giác và ngựa vằn. Các hình ảnh được chia sẵn thành 1.052 ảnh huấn luyện, 225 ảnh kiểm chứng và 227 ảnh kiểm thử, và tập dữ liệu sẽ tự động tải xuống (~100 MB) trong lần đầu tiên bạn huấn luyện.

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 African Wildlife Dataset, có tên african-wildlife.yaml, có thể được tìm thấy tại liên kết GitHub này. Tệp này xác định cấu hình tập dữ liệu, bao gồm các đường dẫn, lớp và các chi tiết khác quan trọng đối với việc huấn luyện các mô hình machine learning.

Link to this sectionAfrican Wildlife Dataset được phát hành theo giấy phép nào?#

Tập dữ liệu nguồn không chỉ định giấy phép sử dụng. Tập dữ liệu này được công bố lần đầu trên Kaggle bởi Bianca Ferreira và được Ultralytics tinh chỉnh để sử dụng liền mạch với các model Ultralytics YOLO. Nếu bạn sử dụng tập dữ liệu này trong nghiên cứu của mình, vui lòng trích dẫn nó bằng cách sử dụng BibTeX trong phần Citations.