alix2t7/Taiwan-black-bear-yolo

台灣黑熊偵測資料集 | Taiwan Black Bear Detection Dataset

🐻 用 AI 守護台灣國寶 🇹🇼

---

📖 資料集簡介

本資料集包含 18,112 張影像，專門用於訓練 台灣黑熊（學名：Ursus thibetanus formosanus）的物件偵測模型。所有標註均採用 YOLO 格式，可直接用於 YOLOv5、YOLOv8 等主流物件偵測框架。

🎯 核心特色

• 🌍 語言: 不適用（電腦視覺資料集）
• 📋 任務類型: 物件偵測（Object Detection）
• 🐾 應用領域: 野生動物保育、瀕危物種監測
• 💾 標註格式: YOLO v5/v8 相容格式
• 📊 類別數量: 1 類（台灣黑熊）

✨ 支援的應用場景

• 🔍 物件偵測: 在影像中偵測並定位台灣黑熊
• 📹 野外監測: 自動化野生動物追蹤與監控
• 🌲 保育研究: 支援瀕危物種保護工作
• 🚨 預警系統: 人熊衝突預防與警示

---

📊 資料集結構

資料統計

項目	訓練集 (Train)	驗證集 (Val)	總計
總影像數	15,013	3,099	18,112
含黑熊影像	8,124	1,305	9,429
背景影像	6,889	1,794	8,683
黑熊實例數	9,549	1,550	11,099
平均每張熊數	1.18	1.19	1.18

💡 說明: 背景影像包含山羌、水鹿等容易與黑熊混淆的動物，用於減少假陽性（false positives）。

📁 目錄結構

台灣黑熊YOLO資料集/
├── images/
│   ├── train/          # 15,013 張訓練影像
│   └── val/            # 3,099 張驗證影像
├── labels/
│   ├── train/          # 15,013 個訓練標註檔
│   └── val/            # 3,099 個驗證標註檔
├── data.yaml           # YOLO 設定檔
└── README.md           # 本說明文件

🏷️ 標註格式

YOLO 格式（每行一個物件）：

<類別ID> <中心X> <中心Y> <寬度> <高度>

參數說明：

• 類別ID: 0 (台灣黑熊)
• 中心X, 中心Y: 正規化中心座標（0-1 之間）
• 寬度, 高度: 正規化邊界框尺寸（0-1 之間）

標註範例：

0 0.350781 0.366667 0.498437 0.727778

---

🎨 資料來源與處理

📷 影像來源

本資料集中的所有黑熊影像主要來自：

• 📺 新聞影片截圖: 台灣電視新聞、網路新聞報導中的黑熊畫面
• 🎬 紀錄片截幀: 野生動物紀錄片、保育宣導影片
• 🏛️ 公開影像: 經授權的動物園、保育組織公開照片

🦌 負面教材（背景影像）

資料集中有 8,683 張背景影像（佔 47.9%），包含：

• 山羌 (Muntiacus reevesi)
• 水鹿 (Rusa unicolor swinhoei)
• 野豬、獼猴 等其他台灣山區動物
• 純背景（森林、山區環境）

🎯 用途: 這些容易與黑熊混淆的動物影像，能顯著提升模型的辨識準確度，減少誤判。

🔧 資料增強技術

資料集包含以下強化處理版本（佔 15.2%）：

增強類型	檔名標記	數量	說明
仿夜視	_night	824	模擬夜間監視器效果，低光環境
去噪處理	_denoise	687	降噪處理，提升清晰度
銳化	_sharp	687	邊緣銳化，強化細節
降解析度	_jpeg	550	JPEG 壓縮，模擬低品質影像
原始影像	無標記	15,364	未處理的原始影像

📌 範例: 00049_night.txt 表示編號 00049 的仿夜視版本

🎯 標註品質

• 標註方式: 人工標註 + 多重驗證
• 標註工具: 專業標註軟體
• 邊界框類型: 緊密框選可見熊體
• 品質控管: 多人交叉檢核

---

🐻 物種資訊

台灣黑熊 (Taiwan Black Bear)

• 學名: Ursus thibetanus formosanus
• 保育等級: 瀕臨絕種 (EN - Endangered)
• 特有性: 台灣特有亞種
• 辨識特徵: 胸前白色或黃色「V」字形斑紋
• 棲息地: 中高海拔山區（1,000-3,500公尺）
• 族群現況: 野外族群約 200-600 隻

⚠️ 保育重要性: 台灣黑熊是台灣陸域最大型的肉食性哺乳動物，生態指標意義重大。

---

📜 授權資訊

授權條款

本資料集採用 CC BY-NC 4.0（創用 CC 姓名標示-非商業性 4.0 國際）授權：

您可以自由地：

• ✅ 分享 — 以任何媒介或格式重製及散布本素材
• ✅ 修改 — 重混、轉換本素材、及依本素材建立新素材

但需遵守以下條件：

• 📝 姓名標示 — 您必須給予適當表彰、提供授權連結
• 🚫 非商業性 — 您不得將本素材用於商業目的

引用與標註

作者: Barbara, Daria, James, Linda, Sang Chi Su, Song, & Wei
維護者: alix2t7 (Wei)

如何引用本資料集：

@dataset{taiwan_black_bear_2026,
  title={台灣黑熊偵測資料集 | Taiwan Black Bear Detection Dataset},
  author={Barbara and Daria and James and Linda and Sang Chi Su and Song and Wei},
  year={2026},
  publisher={HuggingFace},
  license={CC-BY-NC-4.0},
  howpublished={\url{https://huggingface.co/datasets/alix2t7/taiwan-black-bear-yolo}}
}

文內引用範例：

本研究使用「台灣黑熊偵測資料集」(Barbara et al., 2026) 進行模型訓練...

---

🎯 建立目的與貢獻

本資料集建立旨在支援：

• 🌲 野生動物保育: 協助台灣黑熊棲地監測與族群調查
• 🤖 自動化監控系統: 發展智慧型野生動物偵測與預警系統
• 📊 科學研究: 支援動物行為學、生態學相關研究
• 🧠 AI 模型開發: 推動野生動物保護的機器學習技術發展
• 🚨 人熊衝突預防: 提早偵測黑熊出沒，避免人熊接觸事件

---

⚖️ 倫理聲明

• ✅ 所有影像均來自合法、公開來源（新聞、紀錄片）
• ✅ 影像收集過程未干擾野生動物
• ✅ 資料收集符合動物保護倫理規範
• ✅ 本資料集僅供保育研究與非商業用途
• ✅ 尊重影像中人物隱私，已進行適當處理

🌍 永續發展目標 (SDGs): 本資料集支援 SDG 15「保育陸地生態」

---

📞 聯絡資訊

團隊成員

• 貢獻者: Barbara, Daria, James, Linda, Sang Chi Su, Song, & Wei
• 維護者: alix2t7 (Wei)

聯絡方式

• 📧 Email: alixiouxt7@gmail.com
• 🐙 GitHub: @alix2t7
• 🤗 HuggingFace: alix2t7
• 💬 討論區: HuggingFace Discussions

如有疑問、合作提案或資料集更新建議，歡迎與我們聯繫！

---

🙏 致謝

特別感謝：

• 台灣黑熊保育協會 (TBBCA) - 提供專業保育知識與指導
• 所有新聞媒體與紀錄片製作團隊 - 提供珍貴的黑熊影像素材
• 台灣野生動物保育工作者 - 長期投入黑熊保育的辛勤付出
• 開源社群 - YOLOv8、HuggingFace 等工具的支援

---

💻 使用範例

快速開始

1️⃣ 使用 YOLOv8 訓練模型

from ultralytics import YOLO

# 載入預訓練模型
model = YOLO('yolov8n.pt')

# 開始訓練
results = model.train(
    data='data.yaml',      # 資料集設定檔
    epochs=100,            # 訓練 100 輪
    imgsz=640,             # 影像大小 640x640
    batch=16,              # 批次大小
    name='bear_detector'   # 實驗名稱
)

# 驗證模型
metrics = model.val()
print(f"mAP@50: {metrics.box.map50:.3f}")

2️⃣ 使用訓練好的模型進行推論

from ultralytics import YOLO

# 載入訓練好的模型
model = YOLO('runs/detect/bear_detector/weights/best.pt')

# 對單張影像進行偵測
results = model('test_image.jpg')

# 顯示結果
results[0].show()

# 儲存結果
results[0].save('result.jpg')

3️⃣ 載入資料集（使用 HuggingFace）

from datasets import load_dataset

# 從 HuggingFace 載入資料集
dataset = load_dataset("alix2t7/taiwan-black-bear-yolo")

# 查看資料集結構
print(dataset)

# 存取訓練集
train_data = dataset['train']
val_data = dataset['validation']

資料集設定檔 (data.yaml)

# 台灣黑熊資料集設定
path: .  # 資料集根目錄
train: images/train  # 訓練影像路徑
val: images/val      # 驗證影像路徑

# 類別設定
nc: 1  # 類別數量
names: ['Taiwan Black Bear']  # 類別名稱（台灣黑熊）

進階訓練範例

from ultralytics import YOLO

# 使用更大的模型以獲得更高準確度
model = YOLO('yolov8m.pt')

results = model.train(
    data='data.yaml',
    epochs=200,
    imgsz=640,
    batch=16,
    
    # 資料增強設定
    hsv_h=0.015,      # 色調變化
    hsv_s=0.7,        # 飽和度變化
    hsv_v=0.4,        # 明度變化
    degrees=10.0,     # 旋轉角度
    translate=0.1,    # 平移
    scale=0.5,        # 縮放
    flipud=0.5,       # 垂直翻轉
    
    # 優化器設定
    optimizer='AdamW',
    lr0=0.001,        # 初始學習率
    
    # 其他設定
    patience=50,      # 早停耐心值
    save_period=10,   # 每 10 輪儲存一次
    name='bear_detector_advanced'
)

---

📈 版本歷史與更新

• v1.0.0 (2026-02):
  • 🎉 初始版本發布
  • 📊 18,112 張影像（訓練集 15,013 + 驗證集 3,099）
  • 🏷️ 11,099 個黑熊實例標註
  • 🎨 包含 5 種資料增強變體
  • 🦌 包含山羌、水鹿等負面教材

---

⚠️ 已知限制

資料集限制

• 📸 影像品質差異: 部分影像來自新聞截圖，解析度不一
• 🌃 光照條件變化: 包含日間、夜間、低光環境等多種條件
• 👁️ 部分遮擋: 部分影像中黑熊被樹木、岩石等遮擋
• 📏 距離變化: 黑熊在影像中的大小差異顯著（遠景/近景）
• 🔲 邊界框精度: 人工標註可能存在微小誤差

應用限制

• 🚫 禁止商業使用: 本資料集僅供非商業用途
• 🎯 特定物種: 僅針對台灣黑熊訓練，可能不適用於其他熊種
• 🌍 地理限制: 主要訓練資料來自台灣地區

---

🔮 未來規劃

• 📸 增加更多野外攝影機影像
• 🏷️ 增加姿態標註（站立、行走、進食等）
• 👶 增加幼熊影像與標註
• 📊 擴充驗證集規模
• 🌲 增加不同棲地類型的影像
• 🔄 定期更新與品質改善

---

📚 相關資源

學習資源

• 📖 YOLOv8 官方文檔
• 🎓 物件偵測教學
• 🤗 HuggingFace 資料集指南

保育資源

• 🐻 台灣黑熊保育協會 (TBBCA)
• 🌲 林務局野生動物保育
• 📚 台灣黑熊研究資料庫

相關專案

• 🦁 iNaturalist - 野生動物辨識
• 🌍 Wildlife Insights - 全球野生動物監測

---

🤝 如何貢獻

我們歡迎各種形式的貢獻！

貢獻方式

1. 📸 提供影像: 如有合法的黑熊影像，歡迎分享
2. 🏷️ 改善標註: 發現標註錯誤？請提出 Issue
3. 🐛 回報問題: 在 GitHub Issues 回報
4. 💡 功能建議: 提出改進建議與新功能需求
5. 📝 文檔改善: 協助改善說明文件與範例

貢獻流程

# 1. Fork 本專案
# 2. 建立分支
git checkout -b feature/your-improvement

# 3. 提交變更
git commit -m "Add: 您的改進說明"

# 4. 推送到分支
git push origin feature/your-improvement

# 5. 建立 Pull Request

---

❓ 常見問題 (FAQ)

Q1: 為什麼有這麼多空白標註檔？

A: 資料集中有 47.9% 的背景影像（空白標註），這些包含：

• 山羌、水鹿等容易混淆的動物
• 純森林背景

這些負面樣本能顯著減少假陽性（誤判），提升模型準確度。

Q2: 可以用於商業用途嗎？

A: 不可以。本資料集採用 CC BY-NC 4.0 授權，僅限非商業用途。

Q3: 如何只載入有黑熊的影像？

A: 可以使用以下腳本過濾：

import os

def filter_non_empty_labels(label_dir):
    """只保留有標註的影像"""
    non_empty = []
    for label_file in os.listdir(label_dir):
        path = os.path.join(label_dir, label_file)
        if os.path.getsize(path) > 0:  # 非空檔案
            non_empty.append(label_file)
    return non_empty

# 使用範例
bear_images = filter_non_empty_labels('labels/train')
print(f"共有 {len(bear_images)} 張含黑熊的影像")

Q4: 訓練需要多長時間？

A: 依硬體而異：

• GPU (RTX 3080): YOLOv8n 約 2-3 小時（100 epochs）
• Google Colab (T4): 約 4-5 小時
• CPU: 不建議（可能需要數天）

Q5: 可以用於其他熊種嗎？

A: 本模型專為台灣黑熊訓練。遷移學習到其他熊種可能需要額外微調（fine-tuning）。

---

🌟 Star History

如果這個資料集對您有幫助，請給我們一個 ⭐ Star！

---

最後更新: 2026 年 2 月
資料集版本: v1.0.0

📍 資料集位置: HuggingFace - alix2t7/taiwan-black-bear-yolo

---

Made with ❤️ for Taiwan Black Bear Conservation 🐻🇹🇼