مجموعة بيانات وضعية الكلاب#

8,449

Dog Pose

ultralytics

publicPose

Dog Pose builds on Stanford Dogs and ImageNet imagery, labeling one dog per image with 24 three-dimensional keypoints and visibility. It supports articulated animal pose estimation across breeds, body shapes, viewpoints, actions, occlusion, and image backgrounds.

1 class480.7 MBSep 2, 2026

dog

dogsanimalspose-estimation+1

مقدمة#

تُعد مجموعة بيانات وضعية الكلاب من Ultralytics مجموعة بيانات عالية الجودة وشاملة، جرى إعدادها خصيصًا لتقدير النقاط المفتاحية للكلاب، وتوفر 6,773 صورة للتدريب و1,703 صور للتحقق.

تتضمن كل صورة مشروحة 24 نقطة مفتاحية، مع 3 أبعاد لكل نقطة مفتاحية (x، y، إمكانية الرؤية)، ما يجعلها موردًا قيّمًا للبحث والتطوير المتقدمين في مجال الرؤية الحاسوبية.

لسلالة محددة أو لحيوان مختلف تمامًا، تتولى منصة Ultralytics رفع البيانات وتصنيفها وتدريب نموذج نقاط مفتاحية مخصص على بياناتك الخاصة دون الحاجة إلى إدارة البنية التحتية.

بنية مجموعة البيانات#

• إجمالي الصور: 8,476 (6,773 للتدريب / 1,703 للتحقق) مع ملفات تسميات مطابقة بتنسيق YOLO.

• النقاط المفتاحية: 24 لكل كلب مع ثلاثيات (x, y, visibility).

• حجم التنزيل: ~337 ميجابايت.

• البنية:

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

YAML مجموعة البيانات#

يُستخدم ملف YAML لتعريف إعدادات مجموعة البيانات. ويتضمن المسارات وتفاصيل النقاط المفتاحية وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات وضعية الكلاب، يتوفر ملف dog-pose.yaml على https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dog-pose.zip

الاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات وضعية الكلاب لمدة 100 حقبة وبحجم صورة قدره 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة التدريب للنموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

الصور والتعليقات التوضيحية النموذجية#

فيما يلي بعض الأمثلة على الصور من مجموعة بيانات وضعية الكلاب، إلى جانب التعليقات التوضيحية المطابقة لها:

• الصورة الموزاييكية: توضح هذه الصورة دفعة تدريب مكوّنة من صور موزاييكية من مجموعة البيانات. والموزاييك تقنية تُستخدم أثناء التدريب وتجمع صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد ضمن كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الأجسام ونِسَب العرض إلى الارتفاع والسياقات المختلفة.

يوضح المثال تنوع الصور وتعقيدها في مجموعة بيانات وضعية الكلاب، وفوائد استخدام تركيب الفسيفساء أثناء عملية التدريب.

الاقتباسات والشكر والتقدير#

إذا استخدمت مجموعة بيانات وضعية الكلاب في أبحاثك أو أعمالك التطويرية، فيُرجى الاستشهاد بالورقة البحثية التالية:

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

نود توجيه الشكر إلى فريق Stanford لإنشاء هذا المورد القيّم لمجتمع الرؤية الحاسوبية وصيانته. لمزيد من المعلومات حول مجموعة بيانات وضعية الكلاب ومنشئيها، تفضل بزيارة موقع مجموعة بيانات Stanford Dogs.

الأسئلة الشائعة#