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 بساطة مجموعة بيانات التدريب التي تضم 210 صورة، فإن مجموعة بيانات Tiger-Pose توفر تنوعاً، مما يجعلها مناسبة لتقييم خطوط أنابيب التدريب، وتحديد الأخطاء المحتملة، وكمرحلة أولية قيمة قبل العمل مع مجموعات بيانات أكبر لمهام pose estimation.

بمجرد أن يعمل خط أنابيب التدريب الخاص بك بشكل سليم على هذه المجموعة الصغيرة، استبدله بنقاط رئيسية لحيوانات أو كائنات خاصة بك وقم بتوسيع نطاق التدريب على Ultralytics Platform دون مغادرة المتصفح.

Link to this sectionهيكل 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: يتم تخزين النقاط الرئيسية بتنسيق YOLO تحت labels/{train,val} بجانب أدلة images/{train,val}.

Link to this sectionYAML مجموعة البيانات#

يعمل ملف YAML كوسيلة لتحديد تفاصيل تهيئة مجموعة البيانات. وهو يتضمن بيانات جوهرية مثل مسارات الملفات، وتعريفات الفئات، ومعلومات أخرى ذات صلة. وتحديداً، بالنسبة لملف tiger-pose.yaml، يمكنك الاطلاع على ملف تهيئة 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

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)#

بعد التدريب، قم بتحميل أفضل نقطة فحص (checkpoint) لديك وقم بإجراء الاستدلال (inference) على صور أو مقاطع فيديو جديدة - راجع صفحة Prediction 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/MIBAT6BGE6U", show=True)

Link to this sectionالاقتباسات والشكر#

تُصدر Ultralytics تعليقات توضيحية لمجموعة بيانات Tiger-Pose بموجب ترخيص AGPL-3.0. يظل الفيديو المصدري خاضعاً لـ شروطه الأصلية، والتي يجب مراجعتها قبل استخدام أو إعادة توزيع الإطارات المستخرجة.

Link to this sectionالأسئلة الشائعة#

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

تم تصميم مجموعة بيانات Tiger-Pose من Ultralytics لمهام تقدير الوضعية (pose estimation)، وتتكون من 263 صورة تم الحصول عليها من فيديو YouTube. تنقسم مجموعة البيانات إلى 210 صور تدريب و53 صورة تحقق، مما يجعلها مناسبة تماماً لاختبار وتدريب وتحسين خوارزميات تقدير الوضعية.

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

قم بتحميل yolo26n-pose.pt واستدعِ model.train(data="tiger-pose.yaml", epochs=100, imgsz=640) - راجع Train Example أعلاه للحصول على مقتطفات Python و CLI الكاملة، وصفحة Training للحصول على قائمة شاملة بالوسائط.

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

يُحدد ملف tiger-pose.yaml مسار مجموعة البيانات، وأدلة صور التدريب/التحقق، وفئة واحدة (tiger)، و kpt_shape: [12, 2] - أي 12 نقطة رئيسية لكل مثيل بدون علامة رؤية. راجع Ultralytics Tiger-Pose Dataset Configuration File للحصول على التكوين الدقيق.

Link to this sectionكيف يمكنني إجراء الاستدلال باستخدام نموذج YOLO26 مدرب على مجموعة بيانات Tiger-Pose؟#

قم بتحميل نقطة فحص التدريب الخاصة بك (على سبيل المثال، path/to/best.pt) واستدعِ model.predict(source=..., show=True) - راجع Inference Example أعلاه للحصول على مقتطفات Python و CLI الكاملة، وصفحة Prediction للحصول على قائمة شاملة بالوسائط.

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

مع إجمالي 263 صورة (210 تدريب / 53 تحقق)، وفئة واحدة، و12 نقطة رئيسية لكل مثيل، وحجم تنزيل يبلغ ~49.8 ميجابايت، تُعد Tiger-Pose صغيرة بما يكفي للإدارة بسرعة، ولكنها متنوعة بما يكفي للتحقق من سلامة خط أنابيب تدريب الوضعية وتحديد الأخطاء قبل العمل مع مجموعات بيانات أكبر.