非洲野生动物数据集

此数据集展示了南非自然保护区中常见的四类动物。它包含水牛、大象、犀牛和斑马等非洲野生动物的图像，为研究其特征提供了宝贵的洞察。该数据集对于训练计算机视觉算法至关重要，有助于识别从动物园到森林等各种栖息地中的动物，并为野生动物研究提供支持。

Watch: How to Train Ultralytics YOLO26 on the African Wildlife Dataset | Inference, Metrics & ONNX Export 🐘

数据集结构

非洲野生动物目标检测数据集分为三个子集：

训练集：包含 1052 张图像，每张图像均有相应的标注。
验证集：包含 225 张图像，每张图像均有配对的标注。
测试集：包含 227 张图像，每张图像均有配对的标注。

应用场景

该数据集可应用于各种计算机视觉任务，如目标检测、目标跟踪和研究。具体而言，它可用于训练和评估识别图像中非洲野生动物目标的模型，这在野生动物保护、生态研究以及自然保护区和受保护区域的监测工作中具有应用价值。此外，它还可以作为教育目的的宝贵资源，使学生和研究人员能够学习和了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、类别和其他相关详情。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

使用方法

要使用 640 的图像大小在非洲野生动物数据集上训练 YOLO26n 模型 100 个轮次，请使用提供的代码示例。如需可用参数的完整列表，请参考模型的训练页面。

训练示例

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)

推理示例

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")

样本图像和标注

非洲野生动物数据集包含种类繁多的图像，展示了多样化的动物物种及其自然栖息地。以下是来自该数据集的图像示例，每张图像均附有相应的标注。

非洲野生动物数据集样本图像

马赛克图像：在此，我们展示了一个由马赛克数据集图像组成的训练批次。马赛克技术是一种训练技巧，它将多张图像合并为一张，以丰富批次的多样性。该方法有助于增强模型在不同目标尺寸、纵横比和背景下进行泛化的能力。

此示例展示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加入马赛克技术的益处。

引用、许可和致谢

我们要感谢原始数据集作者 Bianca Ferreira 将此数据集发布给社区。Ultralytics 团队在内部对其进行了更新和适配，以便它可以与 Ultralytics YOLO 模型无缝配合使用。此数据集在 AGPL-3.0 许可证下提供。

如果你在研究中使用了此数据集，请使用以下详细信息进行引用：

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 = {AGPL-3.0},
    version = {1.0.0},
    year    = {2024}
}

常见问题 (FAQ)

什么是非洲野生动物数据集，它如何用于计算机视觉项目？

非洲野生动物数据集包含南非自然保护区中常见的四种动物物种的图像：水牛、大象、犀牛和斑马。它是训练计算机视觉算法进行目标检测和动物识别的宝贵资源。该数据集支持诸如目标跟踪、研究和保护工作等各种任务。有关其结构和应用的更多信息，请参阅数据集结构部分和数据集的应用。

如何使用非洲野生动物数据集训练 YOLO26 模型？

你可以使用 african-wildlife.yaml 配置文件在非洲野生动物数据集上训练 YOLO26 模型。以下是如何以 640 的图像大小训练 YOLO26n 模型 100 个轮次的示例：

示例

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)

如需更多训练参数和选项，请参阅训练文档。

我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。该文件定义了数据集配置，包括路径、类别以及对训练机器学习模型至关重要的其他详细信息。请参阅数据集 YAML 部分以了解更多详细信息。

我可以查看非洲野生动物数据集中的样本图像和标注吗？

是的，非洲野生动物数据集包含了大量展示不同自然栖息地中多种动物物种的图像。你可以在样本图像和标注部分查看样本图像及其对应的标注。该部分还说明了使用马赛克技术将多张图像组合成一张以丰富批次多样性的方法，从而增强了模型的泛化能力。