مجموعة بيانات Dog-Pose#

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#

مجموعة بيانات Dog-Pose من Ultralytics عالية الجودة وواسعة النطاق، ومُعدّة خصيصًا لتقدير النقاط المفتاحية للكلاب، وتوفر 6,773 صورة للتدريب و1,703 صور للتحقق.

تتضمن كل صورة مشروحة 24 نقطة مفتاحية، بثلاثة أبعاد لكل نقطة مفتاحية (x وy والرؤية)، ما يجعلها موردًا قيّمًا للأبحاث والتطوير المتقدمين في مجال الرؤية الحاسوبية.

إذا كنت تبحث عن سلالة معينة أو حيوان مختلف تمامًا، تتولى منصة Ultralytics رفع البيانات وتصنيفها وتدريب نموذج نقاط مفتاحية مخصص على بياناتك، من 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، ضمن ثلاثيات (x, y, visibility).

• حجم التنزيل: ~337 MB.

• التنظيم:

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

ملف YAML لمجموعة البيانات#

يُستخدم ملف YAML لتحديد إعدادات مجموعة البيانات. ويتضمن المسارات وتفاصيل النقاط المفتاحية وغيرها من المعلومات ذات الصلة. في حالة مجموعة بيانات Dog-Pose، يتوفر الملف dog-pose.yaml في 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 وبحجم صورة 640، يمكنك استخدام مقتطفات الشيفرة التالية. للاطلاع على قائمة شاملة بالوسيطات المتاحة، راجع صفحة التدريب الخاصة بالنموذج.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n-pose.pt")  # ⁨تحميل نموذج مدرّب مسبقًا (موصى به للتدريب)⁩

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

صور وتعليقات توضيحية نموذجية#

فيما يلي بعض الأمثلة على صور من مجموعة بيانات Dog-Pose، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكوّنة من صور مجموعة البيانات بعد دمجها بتقنية الفسيفساء. الفسيفساء تقنية تُستخدم أثناء التدريب، وتجمع صوراً متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد في كل دفعة تدريب. ويساعد ذلك على تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب أبعادها وسياقاتها المختلفة.

يوضح المثال تنوع الصور وتعقيدها في مجموعة بيانات Dog-Pose، وفوائد استخدام تقنية الفسيفساء أثناء عملية التدريب.

الاستشهادات والشكر والتقدير#

إذا استخدمت مجموعة بيانات Dog-Pose في أبحاثك أو أعمال التطوير، 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 أن نعرب عن تقديرنا لفريق Stanford لإنشائه هذا المورد القيّم لمجتمع الرؤية الحاسوبية والمحافظة عليه. لمزيد من المعلومات حول مجموعة بيانات Dog-Pose ومطوريها، تفضل بزيارة موقع مجموعة بيانات Stanford Dogs.

الأسئلة الشائعة#