Tiger-Pose-Datensatz#

262

Tiger Pose

ultralytics

publicPose

Tiger Pose contains 1280 x 720 video frames derived from an attributed YouTube tiger video. Each labeled animal has 12 two-dimensional keypoints, supporting articulated pose estimation across walking, standing, body orientation, limb movement, and partial occlusion.

1 class44 MBSep 2, 2026

tiger

tigerswildlifepose-estimation+1

Einführung#

Ultralytics stellt den Tiger-Pose-Datensatz vor, eine vielseitige Sammlung für Aufgaben der Pose Estimation. Der Datensatz umfasst 263 Bilder aus einem YouTube-Video, davon 210 Bilder für das Training und 53 für die Validierung. Er eignet sich hervorragend zum Testen und zur Fehlerbehebung bei Algorithmen zur Pose Estimation.

Trotz seiner überschaubaren Trainingsmenge von 210 Bildern bietet der Tiger-Pose-Datensatz genügend Vielfalt, um Trainingspipelines zu bewerten, mögliche Fehler zu erkennen und als nützlicher erster Schritt vor der Arbeit mit größeren Datensätzen zur Pose Estimation zu dienen.

Sobald deine Pipeline mit dieser kleinen Datenmenge fehlerfrei trainiert, kannst du deine eigenen Tier- oder Objekt-Keypoints einsetzen und das Training auf der Ultralytics Platform skalieren, ohne den Browser zu verlassen.

Datensatzstruktur#

• Bilder insgesamt: 263 (210 Train / 53 Val).
• Keypoints: 12 pro Tiger (ohne Sichtbarkeitskennzeichnung).
• Downloadgröße: ~49,8 MB.
• Verzeichnisstruktur: Keypoints im YOLO-Format liegen unter labels/{train,val} neben den Verzeichnissen images/{train,val}.

YAML-Datei des Datensatzes#

Eine YAML-Datei dient dazu, die Konfigurationsdetails eines Datensatzes festzulegen. Sie umfasst wichtige Angaben wie Dateipfade, Klassendefinitionen und weitere relevante Informationen. Die Datei tiger-pose.yaml findest du unter Ultralytics-Konfigurationsdatei für den Tiger-Pose-Datensatz.

# 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

Verwendung#

Um ein YOLO26n-pose-Modell 100 Epochen lang mit einer Bildgröße von 640 auf dem Tiger-Pose-Datensatz zu trainieren, kannst du die folgenden Codebeispiele verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Seite zum 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="tiger-pose.yaml", epochs=100, imgsz=640)

Beispielbilder und Annotationen#

Hier sind einige Beispielbilder aus dem Tiger-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 Tiger-Pose-Datensatz sowie die Vorteile des Mosaikverfahrens während des Trainings.

Beispiel für Inferenz#

Lade nach dem Training deinen besten Checkpoint und führe Inferenz mit neuen Bildern oder Videos aus – auf der Seite Vorhersage findest du die vollständige Liste der Argumente.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("path/to/best.pt")  # Tiger-Pose-trainiertes Modell laden

# Inferenz ausführen
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)

Zitate und Danksagungen#

Ultralytics veröffentlicht die Annotationen des Tiger-Pose-Datensatzes unter der AGPL-3.0-Lizenz. Für das Quellvideo gelten weiterhin die ursprünglichen Bedingungen, die du vor der Verwendung oder Weiterverbreitung extrahierter Einzelbilder prüfen solltest.

Häufig gestellte Fragen#