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 YOLOv8

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 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。

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

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。

• 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。

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物种的图像：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YOLOv8 模型？

您可以在非洲野生动物数据集上训练YOLOv8 模型，方法是使用 african-wildlife.yaml 配置文件。下面是一个示例，说明如何在图像大小为 640 的情况下对YOLOv8n 模型进行 100 次训练：

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

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、类和其他对训练机器学习模型至关重要的细节。请参见 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。

评论