مجموعة بيانات وضعية النمر

مقدمة

Ultralytics يقدم مجموعة بيانات Tiger-Pose، وهي مجموعة متعددة الاستخدامات مصممة لمهام تقدير الوضعية. تشتمل مجموعة البيانات هذه على 263 صورة مأخوذة من فيديو يوتيوب، مع تخصيص 210 صور للتدريب و53 صورة للتحقق من صحة الصور. وهي بمثابة مورد ممتاز لاختبار خوارزمية تقدير الوضعية واستكشاف الأخطاء وإصلاحها.

على الرغم من حجمها الذي يمكن التحكم فيه والذي يبلغ 210 صورة، فإن مجموعة بيانات وضعية النمر توفر تنوعًا، مما يجعلها مناسبة لتقييم خطوط أنابيب التدريب، وتحديد الأخطاء المحتملة، وتكون بمثابة خطوة أولية قيّمة قبل العمل مع مجموعات بيانات أكبر لتقدير الوضعية.

مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics HUB و . YOLO11.

شاهد: تدريب YOLO11 نموذج الوضعية على مجموعة بيانات وضعية النمر باستخدام Ultralytics HUB

مجموعة البيانات YAML

يُستخدم ملف YAML (لغة ترميز أخرى) كوسيلة لتحديد تفاصيل تكوين مجموعة البيانات. وهو يشمل بيانات مهمة مثل مسارات الملفات وتعريفات الفئات وغيرها من المعلومات ذات الصلة. على وجه التحديد، بالنسبة ل tiger-pose.yaml ملف، يمكنك التحقق من Ultralytics ملف تكوين مجموعة بيانات وضعية النمر-مجموعة بيانات النمر.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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: ../datasets/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/tiger-pose.zip

الاستخدام

لتدريب نموذج YOLO11n-pose على مجموعة بيانات Tiger-Pose لـ 100 حقبة زمنية بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

عينة من الصور والتعليقات التوضيحية

فيما يلي بعض الأمثلة على صور من مجموعة بيانات Tiger-Passe، إلى جانب التعليقات التوضيحية المقابلة لها:

• صورة فسيفساء: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات موزاييك. الفسيفساء هي تقنية تُستخدم أثناء التدريب تدمج صورًا متعددة في صورة واحدة لزيادة تنوع الأجسام والمشاهد داخل كل دفعة تدريب. يساعد ذلك في تحسين قدرة النموذج على التعميم على أحجام الأجسام المختلفة ونسب أبعادها وسياقاتها.

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

مثال استدلالي

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 task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

الاستشهادات والشكر والتقدير

تم إصدار مجموعة البيانات المتاحة بموجب ترخيصAGPL-3.0 .

الأسئلة الشائعة

ما هي مجموعة بيانات Ultralytics Tiger-Paset المستخدمة في ؟

تم تصميم مجموعة بيانات Ultralytics Tiger-Pose لمهام تقدير الوضعية، وتتألف من 263 صورة مأخوذة من فيديو يوتيوب. تنقسم مجموعة البيانات إلى 210 صور للتدريب و53 صورة للتحقق من الصحة. وهي مفيدة بشكل خاص لاختبار خوارزميات تقدير الوضعية وتدريبها وتحسينها باستخدام Ultralytics HUB و YOLO11.

كيف يمكنني تدريب نموذج YOLO11 على مجموعة بيانات Tiger-Passe؟

لتدريب نموذج YOLO11n-pose على مجموعة بيانات Tiger-Pose ل 100 حلقة تدريبية بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. لمزيد من التفاصيل، قم بزيارة صفحة التدريب:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-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 task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

ما هي التكوينات التي تقوم بها tiger-pose.yaml هل يتضمن الملف؟

إن tiger-pose.yaml يُستخدم الملف لتحديد تفاصيل تكوين مجموعة بيانات Tiger-Pose. وهو يتضمن بيانات مهمة مثل مسارات الملفات وتعريفات الفئات. للاطلاع على التكوين الدقيق، يمكنك الاطلاع على ملف Ultralytics ملف تكوين مجموعة بيانات وضعية النمر-مجموعة بيانات النمر.

كيف يمكنني تشغيل الاستدلال باستخدام نموذج YOLO11 مدرّب على مجموعة بيانات Tiger-Passe؟

لإجراء الاستدلال باستخدام نموذج YOLO11 مدرّب على مجموعة بيانات Tiger-Pose، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للاطلاع على دليل مفصّل، 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)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

ما هي فوائد استخدام مجموعة بيانات Tiger-Paset لتقدير الوضعية؟

توفر مجموعة بيانات Tiger-Pose، على الرغم من حجمها الذي يمكن التحكم فيه والذي يبلغ 210 صور للتدريب، مجموعة متنوعة من الصور المثالية لاختبار خطوط أنابيب 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 خوارزميات تقدير الوضعية وتحسينها باستخدام أدوات متقدمة مثل Ultralytics HUB و YOLO11مما يعزز أداء النموذج ودقته.

📅 تم إنشاؤها منذ 1 سنة مضت ✏️ تم التحديث منذ 2 شهر

التعليقات