Afrika Yaban Hayatı Veri Kümesi

Bu veri seti, tipik olarak Güney Afrika doğa rezervlerinde bulunan dört yaygın hayvan sınıfını sergiler. Bizon, fil, gergedan ve zebra gibi Afrika yaban hayatı hayvanlarının görüntülerini içerir ve özelliklerine dair değerli bilgiler sağlar. Bilgisayar görüşü algoritmalarını eğitmek için gerekli olan bu veri seti, hayvanat bahçelerinden ormanlara kadar çeşitli yaşam alanlarındaki hayvanları tanımlamaya yardımcı olur ve yaban hayatı araştırmalarını destekler.

İzle: Ultralytics YOLO11 Kullanarak Afrika Yaban Hayatı Hayvanları Tespiti

Veri Seti Yapısı

Afrika yaban hayatı nesneleri algılama veri seti üç alt kümeye ayrılmıştır:

• Eğitim seti: Her biri karşılık gelen açıklamalarla birlikte 1052 görüntü içerir.
• Doğrulama kümesi: Her biri eşleştirilmiş açıklamalarla birlikte 225 görüntü içerir.
• Test kümesi: Her biri eşleştirilmiş açıklamalarla birlikte 227 görüntüden oluşur.

Uygulamalar

Bu veri kümesi, nesne algılama, nesne izleme ve araştırma gibi çeşitli bilgisayar görüşü görevlerinde uygulanabilir. Özellikle, görüntülerdeki Afrika yaban hayatı nesnelerini tanımlamak için modelleri eğitmek ve değerlendirmek için kullanılabilir; bu da yaban hayatı koruma, ekolojik araştırma ve doğal rezervlerde ve korunan alanlardaki izleme çabalarında uygulamalara sahip olabilir. Ek olarak, öğrencilerin ve araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını incelemesini ve anlamasını sağlayan eğitim amaçlı değerli bir kaynak olarak hizmet edebilir.

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, yollar, sınıflar ve diğer ilgili ayrıntılar dahil olmak üzere veri seti yapılandırmasını tanımlar. Afrika yaban hayatı veri seti için, african-wildlife.yaml dosyası şu konumda bulunur: https://github.com/ultralytics/ultralytics/blob/main/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

Kullanım

640 görüntü boyutuyla 100 epok için Afrika yaban hayatı veri setinde bir YOLO11n modeli eğitmek için sağlanan kod örneklerini kullanın. Mevcut parametrelerin kapsamlı bir listesi için modelin Eğitim sayfasına bakın.

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"

Örnek Görüntüler ve Açıklamalar

Afrika yaban hayatı veri kümesi, çeşitli hayvan türlerini ve doğal yaşam alanlarını sergileyen çok çeşitli görüntülerden oluşur. Aşağıda, her biri ilgili açıklamalarıyla birlikte veri kümesinden görüntü örnekleri bulunmaktadır.

• Mozaiklenmiş Görüntü: Burada, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubu sunuyoruz. Bir eğitim tekniği olan mozaikleme, birden çok görüntüyü tek bir görüntüde birleştirerek grup çeşitliliğini zenginleştirir. Bu yöntem, modelin farklı nesne boyutları, en boy oranları ve bağlamlarda genelleme yeteneğini geliştirmeye yardımcı olur.

Bu örnek, Afrika yaban hayatı veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını göstermekte ve eğitim sürecinde mozaiklemenin dahil edilmesinin faydalarını vurgulamaktadır.

Alıntılar ve Teşekkürler

Veri kümesi, AGPL-3.0 Lisansı altında yayınlanmıştır.

SSS

African Wildlife Veri Kümesi nedir ve bilgisayar görüşü projelerinde nasıl kullanılabilir?

Afrika Yaban Hayatı Veri Kümesi, Güney Afrika doğa rezervlerinde bulunan dört yaygın hayvan türünün (bufalo, fil, gergedan ve zebra) görüntülerini içerir. Nesne tespiti ve hayvan tanımlama konularında bilgisayarlı görü algoritmalarını eğitmek için değerli bir kaynaktır. Veri kümesi, nesne takibi, araştırma ve koruma çalışmaları gibi çeşitli görevleri destekler. Yapısı ve uygulamaları hakkında daha fazla bilgi için Veri Kümesi Yapısı bölümüne ve veri kümesinin Uygulamaları bölümüne bakın.

African Wildlife Veri Kümesini kullanarak bir YOLO11 modelini nasıl eğitirim?

Afrika Yaban Hayatı Veri Kümesi üzerinde bir YOLO11 modelini şunları kullanarak eğitebilirsiniz: african-wildlife.yaml yapılandırma dosyası. Aşağıda, 640'lık bir görüntü boyutuyla YOLO11n modelini 100 epoch için nasıl eğiteceğinize dair bir örnek verilmiştir:

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

Ek eğitim parametreleri ve seçenekleri için Eğitim belgelerine bakın.

Afrika Yaban Hayatı Veri Kümesi için YAML yapılandırma dosyasını nerede bulabilirim?

African Wildlife Veri Kümesi için YAML yapılandırma dosyası, african-wildlife.yaml, şu adreste bulunabilir: bu GitHub bağlantısı. Bu dosya, eğitim için çok önemli olan yollar, sınıflar ve diğer ayrıntılar dahil olmak üzere veri kümesi yapılandırmasını tanımlar makine öğrenimi modelleri. Bakınız: Veri Seti YAML bölümüne bakın.

Afrika Yaban Hayatı Veri Kümesinden örnek resimler ve açıklamalar görebilir miyim?

Evet, African Wildlife Veri Kümesi, doğal yaşam alanlarında çeşitli hayvan türlerini sergileyen çok çeşitli görüntüler içerir. Örnek Görüntüler ve Açıklamalar bölümünde örnek görüntüleri ve bunlara karşılık gelen açıklamaları görüntüleyebilirsiniz. Bu bölüm ayrıca, modelin genelleme yeteneğini geliştirmek için zenginleştirilmiş toplu çeşitlilik için birden fazla görüntüyü bir araya getirmek üzere mozaikleme tekniğinin kullanımını da göstermektedir.

Afrika Yaban Hayatı Veri Kümesi, yaban hayatı koruma ve araştırmasını desteklemek için nasıl kullanılabilir?

Afrika Yaban Hayatı Veri Seti, farklı habitatlardaki Afrika yaban hayatını tanımlamak için modellerin eğitilmesini ve değerlendirilmesini sağlayarak yaban hayatı koruma ve araştırmalarını desteklemek için idealdir. Bu modeller, hayvan popülasyonlarını izlemeye, davranışlarını incelemeye ve koruma ihtiyaçlarını tanımaya yardımcı olabilir. Ek olarak, veri seti eğitim amaçlı kullanılabilir ve öğrencilerin ve araştırmacıların farklı hayvan türlerinin özelliklerini ve davranışlarını anlamalarına yardımcı olabilir. Daha fazla ayrıntı Uygulamalar bölümünde bulunabilir.

📅 1 yıl önce oluşturuldu ✏️ 4 ay önce güncellendi

Yorumlar