Link to this sectionمجموعة بيانات Dog-Pose#

Link to this sectionمقدمة#

تعد مجموعة بيانات Dog-Pose من Ultralytics مجموعة بيانات واسعة وعالية الجودة تم تصميمها خصيصاً لتقدير النقاط الرئيسية للكلاب. من خلال 6,773 صورة للتدريب و1,703 صورة للاختبار، توفر مجموعة البيانات هذه أساساً قوياً لتدريب نماذج تقدير الأوضاع المتينة.

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.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.

Link to this sectionهيكل مجموعة البيانات#

• التقسيم: 6,773 صورة للتدريب / 1,703 صورة للتحقق من الصحة مع ملفات تسميات بتنسيق YOLO المطابق.

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

• التخطيط:

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

Link to this sectionYAML مجموعة البيانات#

يتم استخدام ملف YAML (Yet Another Markup Language) لتحديد تكوين مجموعة البيانات. وهو يتضمن المسارات وتفاصيل النقاط الرئيسية ومعلومات أخرى ذات صلة. 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

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات Dog-pose لمدة 100 epoch بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسيطات المتاحة، راجع صفحة Training الخاصة بالنموذج.

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)

Link to this sectionصور وشروحات توضيحية عينة#

إليك بعض الأمثلة على صور من مجموعة بيانات Dog-pose، جنباً إلى جنب مع 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.

Link to this sectionالاقتباسات والشكر#

إذا كنت تستخدم مجموعة بيانات Dog-pose في بحثك أو عملك 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 نعرب عن تقديرنا لفريق ستانفورد لإنشاء هذا المورد القيّم والحفاظ عليه لمجتمع الرؤية الحاسوبية. لمزيد من المعلومات حول مجموعة بيانات Dog-pose ومبتكريها، تفضل بزيارة موقع مجموعة بيانات Stanford Dogs.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي مجموعة بيانات Dog-pose، وكيف يتم استخدامها مع Ultralytics YOLO26؟#

تتميز مجموعة بيانات Dog-Pose بـ 6,773 صورة تدريب و1,703 صورة اختبار معلّقة بـ 24 نقطة رئيسية لتقدير أوضاع الكلاب. لقد صُممت لتدريب النماذج والتحقق من صحتها باستخدام Ultralytics YOLO26، وهي تدعم تطبيقات مثل تحليل سلوك الحيوانات، ومراقبة الحيوانات الأليفة، والدراسات البيطرية. تجعل التعليقات التوضيحية الشاملة للمجموعة مثالية لتطوير نماذج دقيقة لتقدير أوضاع الكلاب.

Link to this sectionكيف يمكنني تدريب نموذج YOLO26 باستخدام مجموعة بيانات Dog-pose في Ultralytics؟#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات Dog-pose لمدة 100 epoch بحجم صورة 640، اتبع هذه الأمثلة:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

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

للحصول على قائمة شاملة بمدخلات التدريب، راجع صفحة Training الخاصة بالنموذج.

Link to this sectionما هي فوائد استخدام مجموعة بيانات Dog-pose؟#

تقدم مجموعة بيانات Dog-pose العديد من الفوائد:

مجموعة بيانات كبيرة ومتنوعة: مع أكثر من 8,400 صورة، توفر بيانات جوهرية تغطي مجموعة واسعة من أوضاع الكلاب، والسلالات، والسياقات، مما يتيح تدريب وتقييم نماذج متينة.

تعليقات توضيحية مفصلة للنقاط الرئيسية: تحتوي كل صورة على 24 نقطة رئيسية مع 3 أبعاد لكل نقطة (x، y، الرؤية)، مما يوفر تعليقات توضيحية دقيقة لتدريب نماذج دقيقة للكشف عن الأوضاع.

سيناريوهات العالم الحقيقي: تتضمن صوراً من بيئات متنوعة، مما يعزز قدرة النموذج على التعميم في تطبيقات العالم الحقيقي مثل مراقبة الحيوانات الأليفة وتحليل السلوك.

ميزة التعلم بنقل المعرفة (Transfer Learning): تعمل مجموعة البيانات بشكل جيد مع تقنيات التعلم بنقل المعرفة، مما يسمح للنماذج المدربة مسبقاً على مجموعات بيانات أوضاع البشر بالتكيف مع الميزات الخاصة بالكلاب.

لمزيد من المعلومات حول ميزاتها واستخدامها، راجع قسم مقدمة مجموعة البيانات.

Link to this sectionكيف يفيد التجميع (mosaicing) عملية تدريب YOLO26 باستخدام مجموعة بيانات Dog-pose؟#

يعمل التجميع (mosaicing)، كما هو موضح في الصور العينة من مجموعة بيانات Dog-pose، على دمج صور متعددة في صورة مركبة واحدة، مما يثري تنوع الكائنات والمشاهد في كل دفعة تدريب. توفر هذه التقنية العديد من الفوائد:

• زيادة تنوع أوضاع الكلاب وأحجامها وخلفياتها في كل دفعة
• تحسين قدرة النموذج على اكتشاف الكلاب في سياقات ومقاييس مختلفة
• تعزيز التعميم من خلال تعريض النموذج لأنماط بصرية أكثر تنوعاً
• تقليل الإفراط في التجهيز (overfitting) من خلال إنشاء مجموعات جديدة من أمثلة التدريب

يؤدي هذا النهج إلى نماذج أكثر متانة تعمل بشكل أفضل في سيناريوهات العالم الحقيقي. للحصول على صور عينة، راجع قسم الصور العينة والتعليقات التوضيحية.

Link to this sectionأين يمكنني العثور على ملف YAML الخاص بمجموعة بيانات Dog-pose وكيف يمكنني استخدامه؟#

يمكن العثور على ملف YAML الخاص بمجموعة بيانات Dog-pose على الرابط https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml. يحدد هذا الملف تكوين مجموعة البيانات، بما في ذلك المسارات، والفئات، وتفاصيل النقاط الرئيسية، ومعلومات أخرى ذات صلة. يحدد ملف YAML 24 نقطة رئيسية مع 3 أبعاد لكل نقطة، مما يجعله مناسباً لمهام تقدير الأوضاع المفصلة.

لاستخدام هذا الملف مع نصوص تدريب YOLO26، ما عليك سوى الإشارة إليه في أمر التدريب الخاص بك كما هو موضح في قسم الاستخدام. سيتم تنزيل مجموعة البيانات تلقائياً عند استخدامها لأول مرة، مما يجعل الإعداد مباشراً.

لمزيد من الأسئلة الشائعة والوثائق التفصيلية، تفضل بزيارة وثائق Ultralytics.