非洲野生动物数据集#

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

Ultralytics 非洲野生动物数据集是一个目标检测数据集，包含 1,504 张图像和 4 个动物类别——水牛、大象、犀牛和斑马；这些动物常见于南非自然保护区。图像已预先划分为 1,052 张训练图像、225 张验证图像和 227 张测试图像，首次训练时数据集会自动下载（~100 MB）。这是一个小巧且可直接使用的基准，可用于训练计算机视觉模型，应用于野生动物监测、保护和生态研究。

数据集结构#

Ultralytics 非洲野生动物数据集包含 1,504 张图像和 4 个类别（水牛、大象、犀牛和斑马），并预先划分为三个子集：

• 训练集：1,052 张图像，每张图像都附有对应标注。
• 验证集：225 张图像，每张图像都配有对应标注。
• 测试集：227 张图像，每张图像都配有对应标注。

在 Ultralytics Platform 上查看非洲野生动物数据集，浏览带有标注叠加层的图像，在 Charts 选项卡中查看类别分布和边界框热力图，还可以克隆数据集，在云端训练自己的模型。

应用场景#

Ultralytics 非洲野生动物数据集支持多种目标检测应用：

• 野生动物保护 — 检测并统计水牛、大象、犀牛和斑马，支持在自然保护区和保护地开展动物种群监测。
• 生态研究 — 研究不同栖息地中的物种分布和行为。
• 反盗猎监控 — 在大型保护区内的红外相机或无人机影像中标记动物。
• 教育和原型开发 — 一个精简的四类别数据集，可用于学习模型训练和预测。

数据集 YAML#

YAML 文件用于定义数据集配置，包括路径、类别和其他相关详细信息。对于非洲野生动物数据集，african-wildlife.yaml 文件位于 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

用法#

要使用非洲野生动物数据集训练 YOLO26n 模型 100 个 epoch，并将图像尺寸设为 640，请使用提供的代码示例。如需查看所有可用参数的完整列表，请参阅模型的训练页面。

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo26n.pt")  # 加载预训练模型（推荐用于训练）

# 训练模型
results = model.train(data="african-wildlife.yaml", epochs=100, imgsz=640)

训练完成后，使用微调后的模型对新图像运行推理：

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载经过非洲野生动物数据微调的模型

# 使用模型进行推理
results = model.predict("https://ultralytics.com/assets/african-wildlife-sample.jpg")

示例图像和标注#

非洲野生动物数据集包含多种图像，展示了不同的动物物种及其自然栖息地。以下是数据集中的图像示例，每张图像都附有对应的标注。

• 马赛克图像：这里展示的是由马赛克数据集图像组成的训练批次。马赛克是一种训练技术，会将多张图像合并为一张，以增加批次的多样性。这种方法有助于提升模型对不同目标尺寸、宽高比和上下文的泛化能力。

引用、许可证和致谢#

我们感谢原始数据集作者 Bianca Ferreira 将该数据集发布给社区。Ultralytics 团队已在内部对其进行更新和调整，使其能够与 Ultralytics YOLO 模型无缝配合使用。源数据集未注明许可证。

如果你在研究中使用此数据集，请使用以下信息引用：

@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}
}

常见问题#