Ultralytics 非洲野生动物数据集实战YOLO26 目标检测训练、自动下载与 YAML 配置详解【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文围绕 Ultralytics 仓库中的 African Wildlife非洲野生动物目标检测数据集展开完整覆盖其数据构成、YAML 配置文件、Python/CLI 训练与推理流程并结合源码剖析“首次训练自动下载~100 MB”背后的实现机制帮助读者零准备地训练一个针对非洲四大家畜/野生动物的检测模型。数据集概览与结构African Wildlife Dataset 是 Ultralytics 提供的一个目标检测数据集包含1,504 张图片覆盖4 个类别——水牛buffalo、大象elephant、犀牛rhino、斑马zebra这些物种常见于南非的自然保护区。数据集已预先划分好三个子集子集图片数量说明训练集train1,052 张每张均带对应标注验证集val225 张每张均带对应标注测试集test227 张每张均带对应标注关键特性是自动下载数据集约 100 MB首次启动训练时会自动下载并解压无需手动下载或预处理。这使得它成为一个紧凑、开箱即用的基准数据集可用于野生动物监测、保护研究和生态学研究中的计算机视觉模型训练。典型应用场景该数据集支撑的目标检测应用包括野生动物保护——检测并统计水牛、大象、犀牛和斑马为自然保护区的种群监测参见 Ultralytics Solutions提供支撑生态研究——研究不同栖息地中的物种分布与行为反盗猎监控——在覆盖大面积保护区的相机陷阱或无人机影像中标记动物教育与原型开发——作为只有 4 个类别的小型数据集非常适合学习模型训练与预测的完整流程。数据集 YAML 配置YOLO 的数据集由一个 YAML 文件定义其中包含路径、类别及其他训练所需信息。African Wildlife 对应的配置文件为 african-wildlife.yaml其完整内容如下# 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 dataafrican-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逐项解读各配置项path数据集根目录名african-wildlife。下载后数据会位于全局数据集目录下由设置项datasets_dir决定见下文源码分析根目录即datasets_dir/african-wildlife/。train/val/test相对于path的图片目录分别对应 1,052、225、227 张图片。YOLO 格式还支持以.txt文件列表或路径列表的方式指定这些子集。names类别字典0 为 buffalo1 为 elephant2 为 rhino3 为 zebra。download可选字段指向一个.zip下载地址。当本地找不到数据集图片时框架会自动请求该 URL 完成下载——这正是“自动下载”功能的来源。自动下载的源码实现文档宣称“首次训练自动下载约 100 MB 数据”这一行为的实现位于 check_det_dataset 函数中。其核心流程为解析 YAML 并校验必填键train、val必须存在names或nc二选一将path解析为数据集根目录若不存在且为相对路径则回退到全局DATASETS_DIR下拼接utils/init.py 中DATASETS_DIR Path(SETTINGS[datasets_dir])可通过设置文件修改检查val或指定split路径是否存在若不存在且 YAML 中配置了download则按字段形式分派下载逻辑以http开头且以.zip结尾的 URL 走safe_download下载后自动解压到DATASETS_DIR并删除压缩包以bash开头的走子进程执行其余按 Python 脚本执行。对于 African Wildlifedownload字段即为一个.../african-wildlife.zip的 URL因此首次训练时会自动走safe_download分支完成下载与解压。下载成功后后续训练会直接复用本地数据不再重复下载。训练Python 与 CLI 两种调用方式使用预训练的 YOLO26n 模型在 African Wildlife 数据集上训练 100 个 epoch、图像尺寸 640可参考以下示例。完整训练参数列表见训练文档。Pythonfrom ultralytics import YOLO # Load a model model YOLO(yolo26n.pt) # load a pretrained model (recommended for training) # Train the model results model.train(dataafrican-wildlife.yaml, epochs100, imgsz640)CLI# Start training from a pretrained *.pt model yolo detect train dataafrican-wildlife.yaml modelyolo26n.pt epochs100 imgsz640补充几点来自源码的实践信息dataafrican-wildlife.yaml可以直接写裸名称check_det_dataset会尝试将coco8这类裸名称解析为coco8.yaml见 utils.py 中的名称补全逻辑因此直接传african-wildlife亦可命中随仓库内置的配置文件。默认超参由 default.yaml 提供与本示例相关的包括epochs: 100默认即为 100 epoch、imgsz: 640、batch: 16、patience: 100早停、optimizer: auto、lr0: 0.01、warmup_epochs: 3.0、close_mosaic: 10最后 10 个 epoch 关闭 mosaic 增强等。由于该数据集仅 1,052 张训练图、4 个类别属小数据集微调场景使用预训练权重yolo26n.pt是文档明确推荐的起点。从源码结构看train还支持传入多个数据集做联合微调例如仓库中 engine/model.py 与 engine/trainer.py 的示例model.train(data[coco8.yaml, african-wildlife.yaml], epochs3)。Mosaic 增强与训练图数据集样例部分展示了一个经 Mosaic 处理后的训练 batchMosaic 是一种将多张图片拼接为一张的训练技术通过丰富 batch 内的多样性提升模型对不同物体尺寸、长宽比和背景上下文的泛化能力。在 default.yaml 中mosaic: 1.0表示以 100% 概率启用 Mosaic 拼接配合close_mosaic: 10在训练末期关闭它让模型见到更真实的单图分布。理解这一细节有助于解释为何训练日志中会出现“四宫格”样式的输入图。推理使用微调后的模型训练完成后可用微调得到的权重对新图片执行推理Pythonfrom 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)CLI# Start prediction with a finetuned *.pt model yolo detect predict modelpath/to/best.pt imgsz640 sourcehttps://ultralytics.com/assets/african-wildlife-sample.jpg其中source既可以是本地图片/视频路径也可以是如示例所示的远程图片 URLbest.pt为训练过程中验证集表现最优的权重文件。常见问题FAQQ1African Wildlife 数据集是什么能用于什么项目它是一个包含 1,504 张图片、4 个动物类别buffalo、elephant、rhino、zebra的目标检测数据集图像采集自南非自然保护区。可训练并评估识别非洲野生动物的模型支撑野生动物保护、生态研究与保护区监测也是学生和研究者学习计算机视觉的便捷资源。Q2数据集有多少图片和类别共 1,504 张图片、4 个类别buffalo、elephant、rhino、zebra。已预分为 1,052 张训练、225 张验证、227 张测试图片首次训练时自动下载约 100 MB。Q3如何用 YOLO26 训练该数据集使用african-wildlife.yaml配置文件按上文“训练”一节的 Python 或 CLI 示例以yolo26n.pt为起点训练 100 个 epoch、imgsz640即可更多参数参见训练文档。Q4YAML 配置文件在哪里位于仓库内 ultralytics/cfg/datasets/african-wildlife.yaml定义了路径、类别等训练所需的全部信息。Q5数据集的许可证是什么原始数据集未声明许可证license: Not specified。它最初由 Bianca Ferreira 发布Ultralytics 团队对其做了内部更新与适配使其能无缝用于 Ultralytics YOLO 模型。用于研究时请按下一节的 BibTeX 条目引用。引用、许可与致谢本数据集感谢原作者 Bianca Ferreira 向社区开放原始数据Ultralytics 团队对其进行了更新与适配。如在研究中使用了该数据集建议引用以下 BibTeX 条目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 {Not specified}, version {1.0.0}, year {2024} }小结African Wildlife 数据集的价值在于“小而全”1,504 张图、4 个类别、预划分三子集、YAML 内置且支持自动下载配合yolo26n.pt预训练权重一条命令即可完成从下载到训练、推理的完整闭环。其实现链路——model.train(data...)→check_det_dataset校验与按需下载 → 检测训练器——均可在仓库源码中逐层核对是学习和验证 YOLO 自定义数据集工作流的理想样本。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
Ultralytics 非洲野生动物数据集实战：YOLO26 目标检测训练、自动下载与 YAML 配置详解
Ultralytics 非洲野生动物数据集实战YOLO26 目标检测训练、自动下载与 YAML 配置详解【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics本文围绕 Ultralytics 仓库中的 African Wildlife非洲野生动物目标检测数据集展开完整覆盖其数据构成、YAML 配置文件、Python/CLI 训练与推理流程并结合源码剖析“首次训练自动下载~100 MB”背后的实现机制帮助读者零准备地训练一个针对非洲四大家畜/野生动物的检测模型。数据集概览与结构African Wildlife Dataset 是 Ultralytics 提供的一个目标检测数据集包含1,504 张图片覆盖4 个类别——水牛buffalo、大象elephant、犀牛rhino、斑马zebra这些物种常见于南非的自然保护区。数据集已预先划分好三个子集子集图片数量说明训练集train1,052 张每张均带对应标注验证集val225 张每张均带对应标注测试集test227 张每张均带对应标注关键特性是自动下载数据集约 100 MB首次启动训练时会自动下载并解压无需手动下载或预处理。这使得它成为一个紧凑、开箱即用的基准数据集可用于野生动物监测、保护研究和生态学研究中的计算机视觉模型训练。典型应用场景该数据集支撑的目标检测应用包括野生动物保护——检测并统计水牛、大象、犀牛和斑马为自然保护区的种群监测参见 Ultralytics Solutions提供支撑生态研究——研究不同栖息地中的物种分布与行为反盗猎监控——在覆盖大面积保护区的相机陷阱或无人机影像中标记动物教育与原型开发——作为只有 4 个类别的小型数据集非常适合学习模型训练与预测的完整流程。数据集 YAML 配置YOLO 的数据集由一个 YAML 文件定义其中包含路径、类别及其他训练所需信息。African Wildlife 对应的配置文件为 african-wildlife.yaml其完整内容如下# 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 dataafrican-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逐项解读各配置项path数据集根目录名african-wildlife。下载后数据会位于全局数据集目录下由设置项datasets_dir决定见下文源码分析根目录即datasets_dir/african-wildlife/。train/val/test相对于path的图片目录分别对应 1,052、225、227 张图片。YOLO 格式还支持以.txt文件列表或路径列表的方式指定这些子集。names类别字典0 为 buffalo1 为 elephant2 为 rhino3 为 zebra。download可选字段指向一个.zip下载地址。当本地找不到数据集图片时框架会自动请求该 URL 完成下载——这正是“自动下载”功能的来源。自动下载的源码实现文档宣称“首次训练自动下载约 100 MB 数据”这一行为的实现位于 check_det_dataset 函数中。其核心流程为解析 YAML 并校验必填键train、val必须存在names或nc二选一将path解析为数据集根目录若不存在且为相对路径则回退到全局DATASETS_DIR下拼接utils/init.py 中DATASETS_DIR Path(SETTINGS[datasets_dir])可通过设置文件修改检查val或指定split路径是否存在若不存在且 YAML 中配置了download则按字段形式分派下载逻辑以http开头且以.zip结尾的 URL 走safe_download下载后自动解压到DATASETS_DIR并删除压缩包以bash开头的走子进程执行其余按 Python 脚本执行。对于 African Wildlifedownload字段即为一个.../african-wildlife.zip的 URL因此首次训练时会自动走safe_download分支完成下载与解压。下载成功后后续训练会直接复用本地数据不再重复下载。训练Python 与 CLI 两种调用方式使用预训练的 YOLO26n 模型在 African Wildlife 数据集上训练 100 个 epoch、图像尺寸 640可参考以下示例。完整训练参数列表见训练文档。Pythonfrom ultralytics import YOLO # Load a model model YOLO(yolo26n.pt) # load a pretrained model (recommended for training) # Train the model results model.train(dataafrican-wildlife.yaml, epochs100, imgsz640)CLI# Start training from a pretrained *.pt model yolo detect train dataafrican-wildlife.yaml modelyolo26n.pt epochs100 imgsz640补充几点来自源码的实践信息dataafrican-wildlife.yaml可以直接写裸名称check_det_dataset会尝试将coco8这类裸名称解析为coco8.yaml见 utils.py 中的名称补全逻辑因此直接传african-wildlife亦可命中随仓库内置的配置文件。默认超参由 default.yaml 提供与本示例相关的包括epochs: 100默认即为 100 epoch、imgsz: 640、batch: 16、patience: 100早停、optimizer: auto、lr0: 0.01、warmup_epochs: 3.0、close_mosaic: 10最后 10 个 epoch 关闭 mosaic 增强等。由于该数据集仅 1,052 张训练图、4 个类别属小数据集微调场景使用预训练权重yolo26n.pt是文档明确推荐的起点。从源码结构看train还支持传入多个数据集做联合微调例如仓库中 engine/model.py 与 engine/trainer.py 的示例model.train(data[coco8.yaml, african-wildlife.yaml], epochs3)。Mosaic 增强与训练图数据集样例部分展示了一个经 Mosaic 处理后的训练 batchMosaic 是一种将多张图片拼接为一张的训练技术通过丰富 batch 内的多样性提升模型对不同物体尺寸、长宽比和背景上下文的泛化能力。在 default.yaml 中mosaic: 1.0表示以 100% 概率启用 Mosaic 拼接配合close_mosaic: 10在训练末期关闭它让模型见到更真实的单图分布。理解这一细节有助于解释为何训练日志中会出现“四宫格”样式的输入图。推理使用微调后的模型训练完成后可用微调得到的权重对新图片执行推理Pythonfrom 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)CLI# Start prediction with a finetuned *.pt model yolo detect predict modelpath/to/best.pt imgsz640 sourcehttps://ultralytics.com/assets/african-wildlife-sample.jpg其中source既可以是本地图片/视频路径也可以是如示例所示的远程图片 URLbest.pt为训练过程中验证集表现最优的权重文件。常见问题FAQQ1African Wildlife 数据集是什么能用于什么项目它是一个包含 1,504 张图片、4 个动物类别buffalo、elephant、rhino、zebra的目标检测数据集图像采集自南非自然保护区。可训练并评估识别非洲野生动物的模型支撑野生动物保护、生态研究与保护区监测也是学生和研究者学习计算机视觉的便捷资源。Q2数据集有多少图片和类别共 1,504 张图片、4 个类别buffalo、elephant、rhino、zebra。已预分为 1,052 张训练、225 张验证、227 张测试图片首次训练时自动下载约 100 MB。Q3如何用 YOLO26 训练该数据集使用african-wildlife.yaml配置文件按上文“训练”一节的 Python 或 CLI 示例以yolo26n.pt为起点训练 100 个 epoch、imgsz640即可更多参数参见训练文档。Q4YAML 配置文件在哪里位于仓库内 ultralytics/cfg/datasets/african-wildlife.yaml定义了路径、类别等训练所需的全部信息。Q5数据集的许可证是什么原始数据集未声明许可证license: Not specified。它最初由 Bianca Ferreira 发布Ultralytics 团队对其做了内部更新与适配使其能无缝用于 Ultralytics YOLO 模型。用于研究时请按下一节的 BibTeX 条目引用。引用、许可与致谢本数据集感谢原作者 Bianca Ferreira 向社区开放原始数据Ultralytics 团队对其进行了更新与适配。如在研究中使用了该数据集建议引用以下 BibTeX 条目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 {Not specified}, version {1.0.0}, year {2024} }小结African Wildlife 数据集的价值在于“小而全”1,504 张图、4 个类别、预划分三子集、YAML 内置且支持自动下载配合yolo26n.pt预训练权重一条命令即可完成从下载到训练、推理的完整闭环。其实现链路——model.train(data...)→check_det_dataset校验与按需下载 → 检测训练器——均可在仓库源码中逐层核对是学习和验证 YOLO 自定义数据集工作流的理想样本。【免费下载链接】ultralyticsUltralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking项目地址: https://gitcode.com/GitHub_Trending/ul/ultralytics创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
