مجموعة بيانات وضع النمر

مقدمة

Ultralytics يقدم مجموعة بيانات Tiger-Pose ، وهي مجموعة متعددة الاستخدامات مصممة لمهام تقدير الوضع. تتألف مجموعة البيانات هذه من 263 صورة مصدرها فيديو YouTube ، مع تخصيص 210 صورة للتدريب و 53 للتحقق من صحتها. إنه بمثابة مورد ممتاز لاختبار خوارزمية تقدير الوضع واستكشاف الأخطاء وإصلاحها.

على الرغم من حجمها الذي يمكن التحكم فيه وهو 210 صورة ، فإن مجموعة بيانات tiger-pose توفر التنوع ، مما يجعلها مناسبة لتقييم خطوط أنابيب التدريب ، وتحديد الأخطاء المحتملة ، والعمل كخطوة أولية قيمة قبل العمل مع مجموعات بيانات أكبر لتقدير الوضع.

This dataset is intended for use with Ultralytics HUB and YOLO11.

شاهد: Train YOLO11 Pose Model on Tiger-Pose Dataset Using Ultralytics HUB

مجموعة البيانات YAML

يعمل ملف YAML (لغة ترميز أخرى) كوسيلة لتحديد تفاصيل التكوين لمجموعة البيانات. وهو يشمل البيانات الهامة مثل مسارات الملفات وتعريفات الفئات والمعلومات الأخرى ذات الصلة. على وجه التحديد ، بالنسبة ل tiger-pose.yaml ملف ، يمكنك التحقق Ultralytics ملف تكوين مجموعة بيانات Tiger-Pose.

# 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

استخدام

To train a YOLO11n-pose model on the Tiger-Pose dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

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 الصور من مجموعة بيانات Tiger-Pose ، جنبا إلى جنب مع التعليقات التوضيحية المقابلة لها:

• صورة فسيفسائية: توضح هذه الصورة دفعة تدريب مكونة من صور مجموعة بيانات فسيفسائية. الفسيفساء هي تقنية تستخدم أثناء التدريب تجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريب. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات المختلفة ونسب العرض إلى الارتفاع والسياقات.

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

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

الاستشهادات والشكر

تم إصدار مجموعة البيانات المتاحة تحت AGPL-3.0 الترخيص.

الأسئلة المتداولة

ما هي مجموعة بيانات Ultralytics Tiger-Paset المستخدمة في ؟

The Ultralytics Tiger-Pose dataset is designed for pose estimation tasks, consisting of 263 images sourced from a YouTube video. The dataset is divided into 210 training images and 53 validation images. It is particularly useful for testing, training, and refining pose estimation algorithms using Ultralytics HUB and YOLO11.

How do I train a YOLO11 model on the Tiger-Pose dataset?

To train a YOLO11n-pose model on the Tiger-Pose dataset for 100 epochs with an image size of 640, use the following code snippets. For more details, visit the Training page:

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؟

ال 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 Tiger-Pose.

How can I run inference using a YOLO11 model trained on the Tiger-Pose dataset?

To perform inference using a YOLO11 model trained on the Tiger-Pose dataset, you can use the following code snippets. For a detailed guide, visit the Prediction page:

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؟

The Tiger-Pose dataset, despite its manageable size of 210 images for training, provides a diverse collection of images that are ideal for testing pose estimation pipelines. The dataset helps identify potential errors and acts as a preliminary step before working with larger datasets. Additionally, the dataset supports the training and refinement of pose estimation algorithms using advanced tools like Ultralytics HUB and YOLO11, enhancing model performance and accuracy.

📅 Created 11 months ago ✏️ Updated 11 days ago

التعليقات