مجموعة بيانات Tiger-Pose#

مقدمة#

Ultralytics تقدم مجموعة بيانات Tiger-Pose، وهي مجموعة متعددة الاستخدامات مخصصة لمهام تقدير الوضعيات. تتكون هذه المجموعة من 263 صورة مستمدة من فيديو YouTube، مع تخصيص 210 صور للتدريب و53 صورة للتحقق. وهي تمثل مورداً ممتازاً لاختبار وتصحيح خوارزميات تقدير الوضعيات.

على الرغم من حجم مجموعة التدريب القابل للإدارة البالغ 210 صور، فإن مجموعة بيانات Tiger-Pose تتميز بالتنوع، مما يجعلها مناسبة لتقييم مسارات التدريب، وتحديد الأخطاء المحتملة، وكمحطة تمهيدية قيّمة قبل العمل مع مجموعات بيانات أكبر لمهام تقدير الوضعيات.

بمجرد أن يتدرب مسار العمل الخاص بك بشكل نظيف على هذه المجموعة الصغيرة، قم باستبدالها بنقاط رئيسية خاصة بحيواناتك أو كائناتك وزِد نطاق التدريب على Ultralytics Platform دون مغادرة المتصفح.

هيكل مجموعة البيانات#

• إجمالي الصور: 263 (210 للتدريب / 53 للتحقق).
• النقاط الرئيسية (Keypoints): 12 لكل نمر (بدون علامة رؤية).
• حجم التنزيل: ~49.8 ميجابايت.
• تخطيط الدليل: نقاط رئيسية بتنسيق YOLO مخزنة ضمن labels/{train,val} بجانب مجلدات images/{train,val}.

YAML مجموعة البيانات#

يُعد ملف YAML الوسيلة لتحديد تفاصيل تكوين مجموعة البيانات. وهو يشتمل على بيانات حاسمة مثل مسارات الملفات، وتعريفات الفئات، ومعلومات أخرى ذات صلة. وتحديداً، بالنسبة لملف tiger-pose.yaml، يمكنك مراجعة ملف تكوين مجموعة بيانات Tiger-Pose من Ultralytics.

# 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 بحجم صورة يبلغ 640، يمكنك استخدام مقاطع الكود 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="tiger-pose.yaml", epochs=100, imgsz=640)

صور 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.

مثال على الاستدلال (Inference)#

بعد التدريب، قم بتحميل أفضل نقطة حفظ وتطبيق الاستدلال على صور أو مقاطع فيديو جديدة — راجع صفحة التنبؤ للحصول على القائمة الكاملة للوسائط.

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/Gc6K5eKrTNQ", show=True)

الاقتباسات والشكر#

تُصدر Ultralytics تعليقات مجموعة بيانات Tiger-Pose بموجب ترخيص AGPL-3.0. يظل الفيديو المصدر خاضعاً لـشروطه الأصلية، والتي يجب مراجعتها قبل استخدام أو إعادة توزيع الإطارات المستخرجة.

الأسئلة الشائعة#