Bắt đầu
Không có giấy phép

Dataset Động vật hoang dã châu Phi

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.



Xem: Cách huấn luyện Ultralytics YOLO26 trên dataset động vật hoang dã châu Phi | Inference, metric và xuất ONNX 🐘

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.
Tự động tải xuống

African Wildlife Dataset (~100 MB) sẽ tự động tải xuống khi bạn bắt đầu huấn luyện lần đầu, vì vậy không cần tải xuống hoặc chuẩn bị thủ công.

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#

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 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/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 code được cung cấp.

Ví dụ huấn luyện
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 tinh chỉnh trên các hình ảnh mới:

Ví dụ suy luận
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#

Bộ dữ liệu động vật hoang dã châu Phi 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 từ bộ dữ liệu, mỗi hình ảnh đi kèm annotation tương ứng.

Hình ảnh mẫu của dataset động vật hoang dã châu Phi

  • Hình ảnh ghép mosaic: Batch huấn luyện này kết hợp nhiều hình ảnh trong bộ dữ liệu thành một hình thông qua kỹ thuật mosaic, một phương pháp tăng cường dữ liệu giúp tăng tính đa dạng của batch và hỗ trợ model tổng quát hóa 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, đã phát hành bộ dữ liệu này cho cộng đồng. Đội ngũ Ultralytics đã cập nhật và điều chỉnh nội bộ bộ dữ liệu để sử dụng với các model Ultralytics YOLO. Bộ dữ liệu nguồn không nêu rõ giấy phép.

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

Trích dẫn
@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#

  • African Wildlife Dataset là dataset phát hiện đối tượng gồm 1.504 hình ảnh thuộc 4 lớp động vật — trâu rừng, voi, tê giác và ngựa vằn — được tìm thấy trong các khu bảo tồn thiên nhiên ở Nam Phi. Dataset này được dùng để huấn luyện và đánh giá model nhận diện động vật hoang dã châu Phi trong hình ảnh, hỗ trợ bảo tồn động vật hoang dã, nghiên cứu sinh thái và giám sát tại các khu bảo tồn thiên nhiên. Đây cũng là tài nguyên dễ tiếp cận dành cho sinh viên và nhà nghiên cứu về thị giác máy tính.

  • Ultralytics African Wildlife Dataset gồm 1.504 hình ảnh thuộc 4 lớp: trâu rừng, voi, tê giác và ngựa vằn. 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.

  • Bạn có thể huấn luyện model YOLO26 trên African Wildlife Dataset bằng tệp cấu hình african-wildlife.yaml. Dưới đây là ví dụ huấn luyện model YOLO26n trong 100 epoch với kích thước ảnh 640:

    Ví dụ
    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)

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

  • Tệp cấu hình YAML của bộ dữ liệu động vật hoang dã châu Phi của Ultralytics, african-wildlife.yaml, xác định cấu hình bộ dữ liệu, bao gồm đường dẫn, lớp và các thông tin quan trọng khác để huấn luyện model machine learning.

  • Bộ dữ liệu nguồn không nêu rõ giấy phép. Bộ dữ liệu ban đầu được Bianca Ferreira đăng trên Kaggle và được Ultralytics điều chỉnh để sử dụng với các model Ultralytics YOLO. Nếu sử dụng bộ dữ liệu trong nghiên cứu, vui lòng trích dẫn bằng mục BibTeX trong phần Trích dẫn.

Bình luận2

Đặt câu hỏi, chia sẻ kết quả hoặc giúp đỡ người khác.

    1. Glenn JocherUltralytics(đã chỉnh sửa)

      Para citar o conjunto de dados African Wildlife, use a entrada BibTeX da seção Citações e agradecimentos da documentação. O conjunto de dados original foi criado por Bianca Ferreira (Kaggle) e adaptado pela Ultralytics para os modelos Ultralytics YOLO.