مجموعة بيانات وضع النمر
مقدمة
تقدم Ultralytics مجموعة بيانات Tiger-Pose، وهي مجموعة متعددة الاستخدامات مصممة لمهام تقدير الوضعية. تتكون مجموعة البيانات هذه من 263 صورة مأخوذة من فيديو على YouTube، مع تخصيص 210 صورة للتدريب و 53 صورة للتحقق. إنها بمثابة مورد ممتاز لاختبار واستكشاف أخطاء خوارزميات تقدير الوضعية وإصلاحها.
على الرغم من تقسيم التدريب الذي يمكن التحكم فيه والذي يبلغ 210 صور، توفر مجموعة بيانات Tiger-Pose تنوعًا، مما يجعلها مناسبة لتقييم خطوط أنابيب التدريب، وتحديد الأخطاء المحتملة، والعمل كخطوة أولية قيمة قبل العمل مع مجموعات بيانات أكبر لـ تقدير الوضع.
مجموعة البيانات هذه مخصصة للاستخدام مع منصة Ultralytics و YOLO26.
هيكل مجموعة البيانات
- إجمالي الصور: 263 (210 للتدريب / 53 للتحقق).
- النقاط الرئيسية: 12 نقطة لكل نمر (بدون علامة رؤية).
- تخطيط المجلد: النقاط الرئيسية بتنسيق YOLO المخزنة تحت
labels/{train,val}بجانبimages/{train,val}المجلدات.
شاهد: تدريب نموذج YOLO26 للوضعيات على مجموعة بيانات Tiger-Pose باستخدام Ultralytics Platform
ملف YAML لمجموعة البيانات
يعمل ملف YAML (وهي لغة ترميز أخرى) كوسيلة لتحديد تفاصيل تكوين مجموعة البيانات. وهو يشمل بيانات حاسمة مثل مسارات الملفات وتعريفات الفئات والمعلومات الأخرى ذات الصلة. على وجه التحديد، بالنسبة إلى tiger-pose.yaml الملف، يمكنك التحقق من ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.
ultralytics/cfg/datasets/tiger-pose.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license
# Tiger Pose dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/tiger-pose/
# Example usage: yolo train data=tiger-pose.yaml
# parent
# ├── ultralytics
# └── datasets
# └── tiger-pose ← downloads here (49.8 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: tiger-pose # dataset root dir
train: images/train # train images (relative to 'path') 210 images
val: images/val # val images (relative to 'path') 53 images
# Keypoints
kpt_shape: [12, 2] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11]
# Classes
names:
0: tiger
# Keypoint names per class
kpt_names:
0:
- nose
- head
- withers
- tail_base
- right_hind_hock
- right_hind_paw
- left_hind_paw
- left_hind_hock
- right_front_wrist
- right_front_paw
- left_front_wrist
- left_front_paw
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/tiger-pose.zip
الاستخدام
لتدريب نموذج YOLO26n-pose على مجموعة بيانات Tiger-Pose لمدة 100 حقبة تدريبية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، ارجع إلى صفحة التدريب للنموذج.
مثال على التدريب
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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=tiger-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640
عينات من الصور والشروحات التوضيحية
فيما يلي بعض الأمثلة لصور من مجموعة بيانات Tiger-Pose، بالإضافة إلى الشروح التوضيحية المقابلة لها:
- صورة مجمعة: توضح هذه الصورة دفعة تدريبية تتكون من صور مجموعة بيانات مجمعة. التجميع هو أسلوب يستخدم أثناء التدريب يجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريبية. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب العرض إلى الارتفاع والسياقات المختلفة.
يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات Tiger-Pose وفوائد استخدام التجميع أثناء عملية التدريب.
مثال على الاستدلال
مثال على الاستدلال
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a tiger-pose trained model
# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)
# Run inference using a tiger-pose trained model
yolo pose predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"
الاقتباسات والإقرارات
تم إصدار مجموعة البيانات بموجب ترخيص AGPL-3.0.
الأسئلة الشائعة
فيما تستخدم مجموعة بيانات Ultralytics Tiger-Pose؟
تم تصميم مجموعة بيانات Ultralytics Tiger-Pose لمهام تقدير الوضعيات، وتتكون من 263 صورة مستقاة من فيديو على YouTube. تنقسم مجموعة البيانات إلى 210 صور تدريب و 53 صورة تحقق. وهي مفيدة بشكل خاص لاختبار وتدريب وتحسين خوارزميات تقدير الوضعيات باستخدام Ultralytics Platform و YOLO26.
كيف أقوم بتدريب نموذج YOLO26 على مجموعة بيانات Tiger-Pose؟
لتدريب نموذج YOLO26n-pose على مجموعة بيانات Tiger-Pose لمدة 100 حقبة تدريبية بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. لمزيد من التفاصيل، قم بزيارة صفحة التدريب:
مثال على التدريب
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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=tiger-pose.yaml model=yolo26n-pose.pt epochs=100 imgsz=640
ما هي التكوينات التي يشتمل عليها tiger-pose.yaml يتضمن؟
في tiger-pose.yaml يستخدم لتحديد تفاصيل التكوين لمجموعة بيانات Tiger-Pose. يتضمن بيانات حاسمة مثل مسارات الملفات وتعريفات الفئات. لرؤية التكوين الدقيق، يمكنك التحقق من ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.
كيف يمكنني إجراء الاستدلال باستخدام نموذج YOLO26 مدرب على مجموعة بيانات Tiger-Pose؟
لإجراء الاستدلال باستخدام نموذج YOLO26 مدرب على مجموعة بيانات Tiger-Pose، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على دليل مفصل، قم بزيارة صفحة التنبؤ:
مثال على الاستدلال
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a tiger-pose trained model
# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)
# Run inference using a tiger-pose trained model
yolo pose predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"
ما هي فوائد استخدام مجموعة بيانات Tiger-Pose لتقدير الوضعية؟
توفر مجموعة بيانات Tiger-Pose، على الرغم من حجمها المعقول الذي يبلغ 210 صور للتدريب، مجموعة متنوعة من الصور المثالية لاختبار مسارات تقدير الوضعيات. تساعد مجموعة البيانات في تحديد الأخطاء المحتملة وتعمل كخطوة أولية قبل العمل مع مجموعات بيانات أكبر. بالإضافة إلى ذلك، تدعم مجموعة البيانات تدريب وتحسين خوارزميات تقدير الوضعيات باستخدام أدوات متقدمة مثل Ultralytics Platform و YOLO26، مما يعزز أداء النموذج ودقته.
