Dog-Pose-Datensatz#

8,449

Dog Pose

ultralytics

publicPose

Dog Pose builds on Stanford Dogs and ImageNet imagery, labeling one dog per image with 24 three-dimensional keypoints and visibility. It supports articulated animal pose estimation across breeds, body shapes, viewpoints, actions, occlusion, and image backgrounds.

1 class480.7 MBSep 2, 2026

dog

dogsanimalspose-estimation+1

Einführung#

Der Ultralytics-Datensatz Dog-Pose ist ein hochwertiger, umfangreicher Datensatz, der speziell für die Schätzung von Schlüsselpunkten bei Hunden zusammengestellt wurde. Er umfasst 6.773 Trainingsbilder und 1.703 Validierungsbilder.

Jedes annotierte Bild enthält 24 Schlüsselpunkte mit 3 Dimensionen pro Schlüsselpunkt (x, y, Sichtbarkeit). Damit ist der Datensatz eine wertvolle Ressource für fortgeschrittene Forschung und Entwicklung im Bereich Computer Vision.

Für eine bestimmte Rasse oder eine ganz andere Tierart ermöglicht die Ultralytics Platform, ein eigenes Schlüsselpunktemodell mit deinen Daten hochzuladen, zu annotieren und zu trainieren, ohne dass du die Infrastruktur verwalten musst.

Datensatzstruktur#

• Bilder insgesamt: 8.476 (6.773 train / 1.703 val) mit passenden Beschriftungsdateien im YOLO-Format.

• Schlüsselpunkte: 24 pro Hund mit Tripeln aus (x, y, visibility).

• Downloadgröße: ~337 MB.

• Verzeichnisstruktur:

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

YAML-Datei des Datensatzes#

Eine YAML-Datei dient zum Festlegen der Datensatzkonfiguration. Sie enthält Pfade, Angaben zu den Schlüsselpunkten und weitere relevante Informationen. Für den Dog-Pose-Datensatz ist die Datei dog-pose.yaml unter https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml verfügbar.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

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

Verwendung#

Mit den folgenden Codeausschnitten kannst du ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Dog-Pose-Datensatz trainieren. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n-pose.pt")  # ein vortrainiertes Modell laden (für das Training empfohlen)

# Das Modell trainieren
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier sind einige Beispielbilder aus dem Dog-Pose-Datensatz mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainingsbatch aus mosaikartig kombinierten Datensatzbildern. Beim Mosaikverfahren werden während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert, um die Vielfalt der Objekte und Szenen in jedem Trainingsbatch zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Das Beispiel veranschaulicht die Vielfalt und Komplexität der Bilder im Dog-Pose-Datensatz sowie die Vorteile des Mosaikverfahrens während des Trainings.

Zitate und Danksagungen#

Wenn du den Dog-Pose-Datensatz in deiner Forschung oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Arbeit:

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

Wir möchten dem Stanford-Team dafür danken, dass es diese wertvolle Ressource für die Computer-Vision-Community geschaffen hat und pflegt. Weitere Informationen zum Dog-Pose-Datensatz und seinen Urhebern findest du auf der Website des Stanford Dogs Dataset.

Häufig gestellte Fragen#