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

Einleitung#

Der Ultralytics Dog-Pose-Datensatz ist ein hochwertiger und umfangreicher Datensatz, der speziell für die Schätzung von Hundekörperpunkten zusammengestellt wurde und 6.773 Trainings- sowie 1.703 Validierungsbilder umfasst.

Jedes annotierte Bild enthält 24 Körperpunkte mit 3 Dimensionen pro Körperpunkt (x, y, Sichtbarkeit), wodurch der Datensatz eine wertvolle Ressource für fortgeschrittene Forschung und Entwicklung im Bereich Computer Vision darstellt.

Für eine bestimmte Rasse oder ein völlig anderes Tier übernimmt die Ultralytics Platform das Hochladen, Labeln und Training eines benutzerdefinierten Körperpunktmodells mit deinen eigenen Daten, ohne dass du die Infrastruktur verwalten musst.

Datensatzstruktur#

• Bilder insgesamt: 8.476 (6.773 Training / 1.703 Validierung) mit zugehörigen Labeldateien im YOLO-Format.

• Körperpunkte: 24 pro Hund mit (x, y, visibility)-Tripeln.

• Downloadgröße: ~337 MB.

• Aufbau:

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

Dataset-YAML#

Eine YAML-Datei definiert die Konfiguration des Datensatzes. Sie enthält Pfade, Details zu den Körperpunkten und weitere relevante Informationen. Beim 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#

Um ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Dog-Pose-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite Training des Modells.

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="dog-pose.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier siehst du einige Beispielbilder aus dem Dog-Pose-Datensatz zusammen mit den zugehörigen Annotationen:

• Mosaikbild: Dieses Bild zeigt einen Trainings-Batch, der aus zu einem Mosaik zusammengesetzten Datensatzbildern besteht. Das Mosaikverfahren wird während des Trainings eingesetzt und kombiniert mehrere Bilder zu einem einzigen Bild, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dadurch kann das Modell besser auf unterschiedliche Objektgrößen, Seitenverhältnisse und Kontexte generalisieren.

Das Beispiel zeigt 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 für deine Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte die folgende Veröffentlichung:

@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 für die Erstellung und Pflege dieser wertvollen Ressource für die Computer-Vision-Community danken. Weitere Informationen zum Dog-Pose-Datensatz und seinen Erstellern findest du auf der Website des Stanford Dogs Dataset.

FAQ#