非洲野生动物数据集
该数据集展示了在南非自然保护区中常见的四种动物类别。它包括非洲野生动物的图像,如水牛、大象、犀牛和斑马,提供了对其特征的宝贵见解。对于训练计算机视觉算法至关重要,该数据集有助于识别各种栖息地(从动物园到森林)中的动物,并支持野生动物研究。
观看: 使用 Ultralytics YOLO11 进行非洲野生动物动物检测
数据集结构
非洲野生动物对象检测数据集分为三个子集:
- 训练集: 包含1052张图像,每张图像都有相应的标注。
- 验证集: 包括225张图像,每张图像都有配对的标注。
- 测试集: 包含227张图像,每张图像都有配对的标注。
应用
该数据集可应用于各种计算机视觉任务,例如目标检测、目标跟踪和研究。具体来说,它可用于训练和评估模型,以识别图像中的非洲野生动物目标,这可应用于野生动物保护、生态研究以及自然保护区和保护区的监测工作。此外,它还可以作为一种宝贵的教育资源,使学生和研究人员能够研究和理解不同动物物种的特征和行为。
数据集 YAML
YAML(Yet Another Markup Language)文件定义了数据集配置,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/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
要使用提供的代码示例在非洲野生动物数据集上训练 YOLO11n 模型 100 个 epochs,图像大小为 640。有关可用参数的完整列表,请参阅模型的训练页面。
训练示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640
推理示例
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"
Sample Images 和注释
非洲野生动物数据集包含各种各样的图像,展示了不同的动物物种及其自然栖息地。以下是数据集中图像的示例,每张图像都附有相应的注释。
- 拼接图像: 在这里,我们展示了一个由拼接数据集图像组成的训练批次。拼接是一种训练技术,它将多个图像组合成一个图像,从而丰富了批次的多样性。此方法有助于提高模型在不同对象大小、纵横比和上下文之间进行泛化的能力。
此示例说明了非洲野生动物数据集中图像的多样性和复杂性,强调了在训练过程中包含拼接的好处。
引用和致谢
该数据集已根据 AGPL-3.0 许可证发布。
常见问题
什么是非洲野生动物数据集,它如何在计算机视觉项目中使用?
非洲野生动物数据集包括在南非自然保护区发现的四种常见动物物种的图像:水牛、大象、犀牛和斑马。它是训练目标检测和动物识别中的计算机视觉算法的宝贵资源。该数据集支持各种任务,如目标跟踪、研究和保护工作。有关其结构和应用的更多信息,请参阅数据集的数据集结构部分和应用。
如何使用非洲野生动物数据集训练 YOLO11 模型?
您可以使用 african-wildlife.yaml
配置文件在非洲野生动物数据集上训练 YOLO11 模型。以下是如何使用图像大小 640 训练 100 个 epochs 的 YOLO11n 模型的示例:
示例
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n.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=yolo11n.pt epochs=100 imgsz=640
有关其他训练参数和选项,请参阅训练文档。
在哪里可以找到非洲野生动物数据集的 YAML 配置文件?
非洲野生动物数据集的 YAML 配置文件,名为 african-wildlife.yaml
,可以在 此 GitHub 链接中找到。此文件定义了数据集配置,包括路径、类和其他对于训练至关重要的详细信息 机器学习 模型。请参阅 数据集 YAML 部分了解更多详细信息。
我可以查看非洲野生动物数据集中的 sample_images 和注释吗?
是的,非洲野生动物数据集包括各种各样的图像,展示了不同动物物种的自然栖息地。您可以在示例图像和注释部分查看示例图像及其相应的注释。本节还说明了使用拼接技术将多个图像合并为一个图像,以丰富批次多样性,从而增强模型的泛化能力。
如何使用非洲野生动物数据集来支持野生动物保护和研究?
非洲野生动物数据集非常适合通过支持训练和评估模型来识别不同栖息地中的非洲野生动物,从而支持野生动物保护和研究。这些模型可以协助监测动物种群、研究它们的行为并识别保护需求。此外,该数据集还可用于教育目的,帮助学生和研究人员了解不同动物物种的特征和行为。更多详细信息可以在应用部分找到。