跳至内容

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。

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 幅图像，每幅图像都有配对注释。
  • 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/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

使用方法

要在非洲野生动物数据集上对YOLOv8n 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。

列车示例

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

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"

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。以下是该数据集中的图片示例，每张图片都附有相应的注释。

非洲野生动物数据集样本图像

  • 镶嵌图像在这里，我们展示了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。



创建于 2024-03-23，更新于 2024-04-02
作者：Burhan-Q(1)、RizwanMunawar(1)

评论