مجموعة بيانات Dog-Pose#

8,449

Dog Pose

ultralytics

publicPose

Dog pose-estimation dataset with 8,449 unique images across 6,750 train and 1,699 validation images, all labeled with one dog instance and 24 three-dimensional keypoints including visibility. Twenty-seven exact duplicate images were removed; for conflicting duplicate annotations, the original label with the most visible keypoints was retained. Images originate from the Stanford Dogs/ImageNet collection and are restricted to research use.

1 class480.7 MBAug 21, 2026

dog

dogsanimalspose-estimation+1

مقدمة#

مجموعة بيانات Ultralytics Dog-Pose هي مجموعة بيانات عالية الجودة وشاملة تم جمعها خصيصاً لتقدير النقاط الرئيسية للكلاب، وتوفر 6,773 صورة تدريب و1,703 صورة تحقق.

تحتوي كل صورة معلّقة على 24 نقطة رئيسية مع 3 أبعاد لكل نقطة (x، y، الرؤية)، مما يجعلها مورداً قيّماً للبحث والتطوير المتقدم في الرؤية الحاسوبية.

بالنسبة لسلالة معينة أو حيوان مختلف تماماً، تتولى Ultralytics Platform عملية الرفع، والوسم، وتدريب نموذج نقاط رئيسية مخصص على بياناتك الخاصة دون إدارة البنية التحتية.

هيكل مجموعة البيانات#

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

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

• حجم التنزيل: ~337 ميجابايت.

• التخطيط:

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

YAML مجموعة البيانات#

يُستخدم ملف YAML لتحديد تكوين مجموعة البيانات. وهو يتضمن المسارات، وتفاصيل النقاط الرئيسية، والمعلومات الأخرى ذات الصلة. في حالة مجموعة بيانات Dog-Pose، يتوفر ملف dog-pose.yaml على الرابط 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 Dog-Pose لمدة 100 حقبة (epoch) بحجم صورة يبلغ 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)

صور وشروحات توضيحية عينة#

فيما يلي بعض الأمثلة للصور من مجموعة بيانات Dog-Pose، بالإضافة إلى التعليقات التوضيحية المقابلة لها:

• صورة مجمعة (Mosaiced Image): توضح هذه الصورة دفعة تدريب تتكون من صور مجموعة بيانات مجمعة. الفسيفساء (Mosaicing) هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام كائنات ونسب عرض إلى ارتفاع وسياقات مختلفة.

يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات Dog-Pose وفوائد استخدام التجميع (mosaicing) أثناء عملية التدريب.

الاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات Dog-Pose في عملك البحثي أو التطويري، يرجى 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 أن نشكر فريق Stanford لإنشاء والحفاظ على هذا المورد القيم لمجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات Dog-Pose ومبتكريها، تفضل بزيارة موقع مجموعة بيانات Stanford Dogs.

الأسئلة الشائعة#