Horama/animal-200-temp

Animal-200 — Wildlife Image Classification

Jeu de données d'images d'animaux sauvages scrapées sur quatre sources publiques (iNaturalist, Wikimedia, Wikipédia, DuckDuckGo Images), couvrant 179 espèces (mammifères, oiseaux, reptiles). 81 541 images pré-classifiées par CLIP (vivant / cadrage / watermark) et pré-splittées pour la classification d'espèce.

Sources

Source	Scraper	Images
iNaturalist	inat_downloader/ (MIT)	58 073
DuckDuckGo Images	scraping/scrapers/duckduckgo.py	19 441
Wikimedia Commons	scraping/scrapers/wikimedia.py	3 988
Wikipédia	scraping/scrapers/wikipedia.py	39

Les images iNaturalist sont téléchargées via l'API publique avec respect du rate-limit (≤ 10 000 requêtes/jour, ≤ 24 Go média/jour). Le fichier inat_metadata.csv conserve les métadonnées d'observation (observer, licence, date, lat/lon) pour la portion iNaturalist uniquement.

Structure

.
├── data/
│   └── 00000-of-00055.parquet … 00054-of-00055.parquet
├── animal-200-classification.csv
├── inat_metadata.csv
└── README.md

• data/*.parquet — 55 shards d'environ 475 MB, colonne unique image (HF Image feature : bytes JPEG/PNG/WEBP + path). Les images sont stockées en binaire encodé dans le champ bytes du struct image ; elles sont décodées à la volée en PIL.Image RGB par datasets.load_dataset.
• animal-200-classification.csv — table d'annotations. Jointure par ordre de ligne avec le parquet concaténé : image_id = index global dans la table CSV = index de ligne dans les shards concaténés (tri alphabétique par espèce).
• inat_metadata.csv — métadonnées d'observation iNaturalist (sous-ensemble de 76 220 lignes, jointure par img_name ↔ filename).

CSV — animal-200-classification.csv

colonne	description
label	espèce (179 classes, cf. distribution ci-dessous)
filename	nom de fichier original (conserve le préfixe du scientifique)
image_id	identifiant stable a200_img_00000 … a200_img_81540 (suffixe numérique = index de ligne dans les parquets)
alive_score	score continu CLIP « animal vivant »
alive	booléen dérivé (alive_score ≥ 0.5)
watermark_score	score continu CLIP « watermark »
watermark	booléen watermark (seuil 0.48)
distance	cadrage : close / medium / far
source	scraper d'origine : inaturalist / duckduckgo / wikimedia / wikipedia
split	train / valid / test (60 / 20 / 20 par espèce, seed 42)

Règles de split

• Toutes les images avec watermark=True sont forcées dans train (jamais dans valid ni test) pour garantir un benchmark propre.
• Split stratifié par label, seed 42, reproductible depuis la colonne split.
• Les images avec alive=False auraient été placées dans un split remove — aucune ligne ne remplit cette condition ici (les CSVs source sont déjà filtrés alive_score ≥ 0.5).

Distribution

Splits

split	n	part
train	49 553	60.8 %
valid	16 171	19.8 %
test	15 817	19.4 %

Légèrement biaisé vers train car tous les watermarks y sont concentrés (22 532 images ≈ 27.6 % du total, 45.5 % de train).

Attributs CLIP

attribut	valeur	n
alive	True	81 541
watermark	True	22 532
watermark	False	59 009
distance	medium	50 025
distance	far	27 529
distance	close	3 987

Sources × split

source	train	valid	test
inaturalist	33 123	12 608	12 342
duckduckgo	14 335	2 566	2 540
wikimedia	2 077	988	923
wikipedia	18	9	12

Espèces (179 classes)

Distribution déséquilibrée : min = 242 (moufette), médiane = 462, max = 1 002 (dhole) — ratio ~4×. Prévoir échantillonnage pondéré ou loss pondérée côté entraînement.

Distribution complète (cliquer pour déplier)

espèce	n
dhole	1 002
loriquet_arc_en_ciel	960
capybara	917
grue_couronnee_grise	855
maki_catta	681
pelican_frise	584
hapalemur_dore	576
lycaon	567
ouistiti_pygmee	558
gorille_plaines	555
gibbon_mains_blanches	527
casoar	522
petit_hapalemur	521
lemur_ventre_rouge	516
lemur_fauve	514
serval	513
renard_polaire	506
maki_vari_noir	505
tamarin_pinche	505
wallaby_bennet	504
lemur_noir	502
patas	500
macaque_rhesus	500
colobe_guereza	500
macaque_japonais	498
nyala	497
lemur_couronne	496
guib_harnache	495
panda_roux	495
saki_face_blanche	495
cariama_huppe	494
gnou_queue_blanche	493
agouti_azara	493
zebre_chapman	492
messager_sagittaire	492
rhinoceros_blanc	491
buffle_eau	490
rhino_inde	490
cobe_defassa	490
cerf_sika	490
tamarin_roux	489
cheval_przewalski	489
rhino_noir	489
amazone_aourou	488
antilope_cervicapre	487
amazone_farineuse	487
grand_eclectus	487
cobe_lechwe	487
suricate	486
petit_koudou	486
grand_hocco	486
maki_vari_roux	486
addax	484
impala	484
alpaga	483
tamarin_lion	483
sitatunga	483
gaur	482
mara	482
zebre_grevy	480
colombien_turvert	479
kangourou_roux	479
lion_afrique	479
cobe_croissant	479
pigeon_madagascar	479
hippotrague_rouan	478
hippotrague_noir	477
chevreuil	477
vigogne	477
buffle_afrique	476
panthere_afrique	476
chevre_naine	475
amazone_front_bleu	475
chien_buisson	474
calao_leadbeater	473
oryx_gazelle	473
oryx_arabie	471
zebre_montagne	471
mangabey_collier	470
boeuf_ecosse	469
bongo	469
macaque_tonkean	469
springbok	467
vanneau_eperonne	466
titi_roux	466
ours_lunettes	465
gazelle_perse	465
ane_commun	463
elephant_afrique	463
nandou	462
grue_couronnee_noire	461
calao_abyssinie	461
cerf_elaphe	461
loutre_asie	460
ane_afrique	460
guanaco	460
dromadaire	459
grizzly	459
emeu	459
hippopotame	458
vautour_africain	456
ane_somalie	456
vautour_fauve	453
guepard	452
vautour_ruppel	452
oryx_beisa	450
cacatoes_rosalbin	448
eland_cap	447
urubu_tete_rouge	447
tamarin_goeldi	447
gazelle_thomson	446
muntjac_chine	445
gazelle_grant	444
fourmillier	443
bison_europe	441
loup_arctique	439
vanneau_soldat	437
grand_koudou	436
saki_vanzolini	435
agouti	435
milan_noir	434
autruche	431
chacal_chabraque	429
grue_demoiselle	429
damalisque	429
chacal_flancs	427
paca	418
chevre	417
magabey_dore	417
calopsitte	416
tamarin_noir	415
phacochere	413
hyene_tachetee	411
pelican_blanc	411
coati_nez_blanc	410
eland_derby	409
mouton_valachie	408
daim_europe	407
bubale_roux	405
oie	405
bongo_montagne	401
cochon_d_inde	400
perruche_patagonie	399
anoa	399
coyote	398
renard_roux	398
cheval_comtois	397
panthere_chine	391
bison_amerique	390
oryx_algazelle	388
mouton	375
watussi	373
chevre_anglo_nubienne	370
lapin_geant_papillon	368
lynx_carpates	366
onagre	359
panthere_neige	352
gibbon_bonnet	348
saimiris_perou	346
chien	345
cochon_laineux	345
tapire_terrestre	342
hapalemur_lac	341
chat	340
mouton_somalie	339
girafe_kordofan	337
tigre_siberie	328
ours_baribal	328
chacal_dore	327
raton_laveur	314
loup_gris	309
hocco_daubenton	306
loup_mackenzie	305
bassaris	303
loup_criniere	302
chouette_effraie	293
gnou_bleu	291
sanglier	287
moufette	242
total	81 541

Aperçu

Échantillons 3×3 :

alive

distance = close

Chargement

from datasets import load_dataset
import pandas as pd

ds = load_dataset("Horama/animal-200", split="all")  # bytes → PIL RGB à la volée
meta = pd.read_csv("animal-200-classification.csv")

# Exemple 1 — récupérer label et split par index
idx = 42
image = ds[idx]["image"]
row = meta.iloc[idx]
print(row["label"], row["split"], row["distance"])

# Exemple 2 — filtrer le train set propre (sans watermark)
# image_id = "a200_img_00042" → index = 42
to_index = lambda s: int(s.removeprefix("a200_img_"))
train_mask = (meta["split"] == "train") & (~meta["watermark"])
train_ds = ds.select(meta.loc[train_mask, "image_id"].map(to_index).tolist())

# Exemple 3 — subset iNaturalist uniquement
inat_ds = ds.select(meta.loc[meta["source"] == "inaturalist", "image_id"].map(to_index).tolist())

Limitations

• Données scrapées brutes — attendez-vous à du bruit : quelques erreurs d'espèce résiduelles, sous-espèces mélangées, photos de zoo/enclos, arrière-plans variables.
• Pré-filtres CLIP imparfaits — alive, watermark et distance sont des classifieurs zero-shot (openai/clip-vit-large-patch14), pas des labels manuels. Seuils utilisés : alive ≥ 0.5, watermark ≥ 0.48.
• Classes déséquilibrées — ratio 4× entre la classe majoritaire et la minoritaire.
• Wikipedia sous-représentée (39 images) — à traiter comme résidu, ne pas stratifier par source.

License

Dataset publié sous AGPL-3.0. Utilisable, modifiable et redistribuable librement tant que les dérivés restent open-source sous la même licence. Pour un usage closed-source ou commercial, contacter Horama.

Crédits iNaturalist : les métadonnées observation_license dans inat_metadata.csv listent la licence Creative Commons par image (cc0, cc-by, cc-by-nc, cc-by-nc-nd, cc-by-nc-sa).

Citation

@misc{horama_animal200_2026,
  title   = {Animal-200: Wildlife Image Classification (179 species)},
  author  = {Horama},
  year    = {2026},
  url     = {https://huggingface.co/datasets/Horama/animal-200},
  note    = {Images scrapées depuis iNaturalist, Wikimedia, Wikipédia et DuckDuckGo, avec pré-classification CLIP et splits 60/20/20 par espèce.}
}