Bộ dữ liệu động vật hoang dã châu Phi

Bộ dữ liệu này giới thiệu bốn lớp động vật phổ biến thường được tìm thấy trong các khu bảo tồn thiên nhiên Nam Phi. Nó bao gồm hình ảnh của 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 đào tạo 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.

Cấu trúc tập dữ liệu

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

• Bộ đào tạo: Chứa 1052 hình ảnh, mỗi hình ảnh có chú thích tương ứng.
• Bộ xác thực: Bao gồm 225 hình ảnh, mỗi hình ảnh có chú thích được ghép nối.
• Bộ thử nghiệm: Bao gồm 227 hình ảnh, mỗi hình ảnh có chú thích được ghép nối.

Ứng dụng

Bộ dữ liệu này có thể được áp dụng trong các 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 đào tạo và đánh giá các mô hình xác định các đối tượng động vật hoang dã châu Phi trong hình ảnh, có thể có ứng dụng trong bảo tồn động vật hoang dã, nghiên cứu sinh thái và nỗ lực giám sát trong các khu bảo tồn thiên nhiên và khu bảo tồn. Ngoài ra, nó có thể phục vụ như 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.

Tập dữ liệu YAML

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

# Ultralytics YOLO 🚀, AGPL-3.0 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: ../datasets/african-wildlife # dataset root dir
train: train/images # train images (relative to 'path') 1052 images
val: valid/images # val images (relative to 'path') 225 images
test: test/images # test images (relative to 'path') 227 images

# Classes
names:
  0: buffalo
  1: elephant
  2: rhino
  3: zebra

# Download script/URL (optional)
download: https://ultralytics.com/assets/african-wildlife.zip

Sử dụng

Để đào tạo một YOLOv8n mô hình trên tập dữ liệu động vật hoang dã châu Phi cho 100 kỷ nguyên với kích thước hình ảnh là 640, sử dụng các mẫu mã được cung cấp. Để biết danh sách đầy đủ các thông số có sẵn, hãy tham khảo trang Đào tạo của mô hình.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt epochs=100 imgsz=640

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"

Hình ảnh mẫu và chú thích

Bộ dữ liệu động vật hoang dã châu Phi bao gồm nhiều hình ảnh giới thiệu các loài động vật đa dạng và môi trường sống tự nhiên của chúng. Dưới đây là ví dụ về hình ảnh từ tập dữ liệu, mỗi hình ảnh đi kèm với các chú thích tương ứng của nó.

• Hình ảnh khảm: Ở đây, chúng tôi trình bày một lô đào tạo bao gồm các hình ảnh tập dữ liệu được khảm. Khảm, một kỹ thuật đào tạo, kết hợp nhiều hình ảnh thành một, làm phong phú thêm sự đa dạng hàng loạt. Phương pháp này giúp nâng cao 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 động vật hoang dã châu Phi, nhấn mạnh lợi ích của việc bao gồm khảm trong quá trình đào tạo.

Trích dẫn và xác nhận

Tập dữ liệu đã được phát hành có sẵn theo AGPL-3.0 Giấy phép.

Ý kiến