非洲野生动物数据集

该数据集展示了南非自然保护区中常见的四类动物。其中包括水牛、大象、犀牛和斑马等非洲野生动物的图像，为了解它们的特征提供了宝贵的资料。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。

观看： 利用非洲野生动物检测系统Ultralytics YOLO11

数据集结构

非洲野生动物物体检测数据集分为三个子集：

• 训练集：包含 1052 幅图像，每幅图像都有相应的注释。
• 验证集：包括 225 张图像，每张图像都有配对注释。
• 测试集：由 227 幅图像组成，每幅图像都有配对注释。

应用

该数据集可用于各种计算机视觉任务，如物体检测、物体跟踪和研究。具体来说，它可用于训练和评估识别图像中非洲野生动物对象的模型，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，它还可以作为宝贵的教育资源，使学生和研究人员能够研究和了解不同动物物种的特征和行为。

数据集 YAML

YAML（另一种标记语言）文件定义了数据集的配置，包括路径、类和其他相关细节。对于非洲野生动物数据集，YAML 文件中的 african-wildlife.yaml 文件位于 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://github.com/ultralytics/assets/releases/download/v0.0.0/african-wildlife.zip

使用方法

要在非洲野生动物数据集上对 YOLO11n 模型进行 100 个历元（图像大小为 640）的训练，请使用所提供的代码示例。有关可用参数的完整列表，请参阅模型的 "训练"页面。

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

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"

图片和注释示例

非洲野生动物数据集包含各种图像，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片示例，每张图片都附有相应的注释。

• 镶嵌图像在这里，我们展示了一个由镶嵌数据集图像组成的训练批次。马赛克是一种训练技术，可将多幅图像合成一幅，从而丰富批次的多样性。这种方法有助于增强模型在不同物体尺寸、长宽比和环境下的泛化能力。

这个例子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使用马赛克的好处。

引文和致谢

该数据集根据AGPL-3.0 许可发布。

常见问题

什么是非洲野生动物数据集，如何将其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四种常见动物的图像：水牛、大象、犀牛和斑马。它是训练物体检测和动物识别计算机视觉算法的宝贵资源。该数据集支持对象跟踪、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YOLO11 模型？

您可以在非洲野生动物数据集上训练YOLO11 模型，方法是使用 african-wildlife.yaml 配置文件。下面以图像大小为 640 为例，说明如何对 YOLO11n 模型进行 100 次训练：

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

有关其他培训参数和选项，请参阅培训文档。

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请访问 此 GitHub 链接.该文件定义了数据集配置，包括路径、类和其他对训练至关重要的细节。 机器学习 模型。参见 数据集 YAML 部分了解更多详情。

我能否查看非洲野生动物数据集的样本图像和注释？

是的，非洲野生动物数据集包含各种图像，展示了自然栖息地中的各种动物物种。您可以在样本图像和注释部分查看样本图像及其相应注释。本节还说明了如何使用马赛克技术将多幅图像合成一幅图像，以丰富批次多样性，增强模型的泛化能力。

如何利用非洲野生动物数据集支持野生动物保护和研究？

非洲野生动物数据集是支持野生动物保护和研究的理想工具，它可以对识别不同栖息地的非洲野生动物的模型进行培训和评估。这些模型有助于监测动物种群、研究动物行为和识别保护需求。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。更多详情，请参阅 "应用"部分。

📅创建于 8 个月前 ✏️已更新 2 个月前

评论