Link to this sectionمجموعة بيانات Tiger-Pose#

Link to this sectionمقدمة#

تقدم Ultralytics مجموعة بيانات Tiger-Pose، وهي مجموعة متنوعة مصممة لمهام تقدير الوضعية (pose estimation). تتكون مجموعة البيانات هذه من 263 صورة مأخوذة من فيديو على YouTube، حيث تم تخصيص 210 صور للتدريب و 53 للتحقق من الصحة. وهي بمثابة مورد ممتاز لاختبار واستكشاف أخطاء خوارزميات تقدير الوضعية وإصلاحها.

على الرغم من حجم مجموعة التدريب الذي يسهل إدارته والذي يبلغ 210 صور، توفر مجموعة بيانات Tiger-Pose تنوعًا يجعلها مناسبة لتقييم خطوط أنابيب التدريب، وتحديد الأخطاء المحتملة، وتكون بمثابة خطوة أولية قيمة قبل العمل مع مجموعات بيانات أكبر لـ تقدير الوضعية.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics Platform و YOLO26.

Link to this sectionهيكل مجموعة البيانات#

• إجمالي الصور: 263 (210 للتدريب / 53 للتحقق).
• النقاط الرئيسية (Keypoints): 12 لكل نمر (بدون علامة رؤية).
• تخطيط الدليل: يتم تخزين النقاط الرئيسية بتنسيق YOLO تحت labels/{train,val} بجانب أدلة images/{train,val}.

Link to this sectionYAML مجموعة البيانات#

يُعد ملف YAML (لغة ترميز أخرى) الوسيلة لتحديد تفاصيل تكوين مجموعة البيانات. وهو يشمل بيانات حيوية مثل مسارات الملفات، وتعريفات الفئات، وغيرها من المعلومات ذات الصلة. وتحديداً، بالنسبة لملف tiger-pose.yaml، يمكنك التحقق من ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.

# 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

Link to this sectionالاستخدام#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات Tiger-Pose لمدة 100 دورة تدريبية (epoch) بحجم صورة 640، يمكنك استخدام مقتطفات الكود التالية. للحصول على قائمة شاملة بالوسيطات 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="tiger-pose.yaml", epochs=100, imgsz=640)

Link to this sectionصور وشروحات توضيحية عينة#

إليك بعض الأمثلة لصور من مجموعة بيانات Tiger-Pose، إلى جانب تعليقاتها التوضيحية المقابلة:

• 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.

يوضح المثال تنوع وتعقيد الصور في مجموعة بيانات Tiger-Pose وفوائد استخدام الفسيفساء أثناء عملية التدريب.

Link to this sectionمثال على الاستدلال (Inference)#

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)

Link to this sectionالاقتباسات والشكر#

تم إصدار مجموعة البيانات بموجب رخصة AGPL-3.0.

Link to this sectionالأسئلة الشائعة#

Link to this sectionفيم تُستخدم مجموعة بيانات Ultralytics Tiger-Pose؟#

تم تصميم مجموعة بيانات Ultralytics Tiger-Pose لمهام تقدير الوضعية، وتتكون من 263 صورة مأخوذة من فيديو على YouTube. تنقسم مجموعة البيانات إلى 210 صور للتدريب و 53 صورة للتحقق. وهي مفيدة بشكل خاص لاختبار وتدريب وتحسين خوارزميات تقدير الوضعية باستخدام Ultralytics Platform و YOLO26.

Link to this sectionكيف أقوم بتدريب نموذج YOLO26 على مجموعة بيانات Tiger-Pose؟#

لتدريب نموذج YOLO26n-pose على مجموعة بيانات Tiger-Pose لمدة 100 دورة تدريبية بحجم صورة 640، استخدم مقتطفات الكود التالية. لمزيد من التفاصيل، قم بزيارة صفحة 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)

Link to this sectionما التكوينات التي يتضمنها ملف tiger-pose.yaml؟#

يُستخدم ملف tiger-pose.yaml لتحديد تفاصيل تكوين مجموعة بيانات Tiger-Pose. وهو يتضمن بيانات حيوية مثل مسارات الملفات وتعريفات الفئات. لمعرفة التكوين الدقيق، يمكنك الاطلاع على ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.

Link to this sectionكيف 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 الكود التالية. للحصول على دليل مفصل، قم بزيارة صفحة التنبؤ:

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)

Link to this sectionما فوائد استخدام مجموعة بيانات Tiger-Pose لتقدير الوضعية؟#

توفر مجموعة بيانات Tiger-Pose، على الرغم من حجمها الذي يسهل إدارته البالغ 210 صور للتدريب، مجموعة متنوعة من الصور المثالية لاختبار خطوط أنابيب تقدير الوضعية. 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 الوضعية باستخدام أدوات متقدمة مثل Ultralytics Platform و YOLO26، مما يعزز أداء النموذج و دقتة.