Link to this sectionTiger-Pose Datensatz#

Link to this sectionEinführung#

Ultralytics stellt den Tiger-Pose Datensatz vor, eine vielseitige Sammlung für Aufgaben der Posen-Schätzung. Dieser Datensatz umfasst 263 Bilder aus einem YouTube-Video, wobei 210 Bilder für das Training und 53 für die Validierung vorgesehen sind. Er dient als hervorragende Ressource zum Testen und zur Fehlerbehebung von Algorithmen zur Posen-Schätzung.

Trotz des überschaubaren Trainings-Splits von 210 Bildern bietet der Tiger-Pose Datensatz eine hohe Vielfalt. Dies macht ihn geeignet, um Trainings-Pipelines zu bewerten, potenzielle Fehler zu identifizieren und als wertvoller erster Schritt vor der Arbeit mit größeren Datensätzen für Posen-Schätzung zu dienen.

Dieser Datensatz ist für die Verwendung mit der Ultralytics Platform und YOLO26 konzipiert.

Link to this sectionDatensatzstruktur#

• Gesamtzahl der Bilder: 263 (210 train / 53 val).
• Keypoints: 12 pro Tiger (kein Sichtbarkeits-Flag).
• Verzeichnisstruktur: YOLO-Format Keypoints gespeichert unter labels/{train,val} neben images/{train,val} Verzeichnissen.

Link to this sectionDatensatz-YAML#

Eine YAML (Yet Another Markup Language) Datei dient dazu, die Konfigurationsdetails eines Datensatzes festzulegen. Sie enthält wichtige Daten wie Dateipfade, Klassendefinitionen und andere relevante Informationen. Speziell für die tiger-pose.yaml Datei kannst du die Ultralytics Tiger-Pose Datensatz-Konfigurationsdatei einsehen.

# 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

Link to this sectionVerwendung#

Um ein YOLO26n-pose Modell auf dem Tiger-Pose Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Code-Schnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente findest du auf der Seite Training.

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

Link to this sectionBeispielbilder und Annotationen#

Hier sind einige Beispiele für Bilder aus dem Tiger-Pose Datensatz zusammen mit ihren entsprechenden Annotationen:

• Mosaik-Bild: Dieses Bild zeigt einen Trainings-Batch, der aus mosaikierten Datensatz-Bildern besteht. Mosaicing ist eine Technik, die während des Trainings verwendet wird, um mehrere Bilder zu einem einzigen Bild zu kombinieren, um die Vielfalt der Objekte und Szenen innerhalb jedes Trainings-Batches zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zu verbessern, auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu generalisieren.

Das Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im Tiger-Pose Datensatz sowie die Vorteile der Verwendung von Mosaicing während des Trainingsprozesses.

Link to this sectionInferenz-Beispiel#

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)

Link to this sectionZitate und Danksagungen#

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

Link to this sectionFAQ#

Link to this sectionWofür wird der Ultralytics Tiger-Pose Datensatz verwendet?#

Der Ultralytics Tiger-Pose Datensatz ist für Posen-Schätzungsaufgaben konzipiert und besteht aus 263 Bildern aus einem YouTube-Video. Der Datensatz ist in 210 Trainingsbilder und 53 Validierungsbilder unterteilt. Er ist besonders nützlich für das Testen, Trainieren und Verfeinern von Algorithmen zur Posen-Schätzung unter Verwendung der Ultralytics Platform und YOLO26.

Link to this sectionWie trainiere ich ein YOLO26 Modell auf dem Tiger-Pose Datensatz?#

Um ein YOLO26n-pose Modell auf dem Tiger-Pose Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwende die folgenden Code-Schnipsel. Für weitere Details besuche die Seite Training:

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

Link to this sectionWelche Konfigurationen enthält die tiger-pose.yaml Datei?#

Die tiger-pose.yaml Datei wird verwendet, um die Konfigurationsdetails des Tiger-Pose Datensatzes festzulegen. Sie enthält wichtige Daten wie Dateipfade und Klassendefinitionen. Um die genaue Konfiguration zu sehen, kannst du dir die Ultralytics Tiger-Pose Datensatz-Konfigurationsdatei ansehen.

Link to this sectionWie kann ich die Inferenz mit einem auf dem Tiger-Pose Datensatz trainierten YOLO26 Modell durchführen?#

Um eine Inferenz mit einem auf dem Tiger-Pose Datensatz trainierten YOLO26 Modell durchzuführen, kannst du die folgenden Code-Schnipsel nutzen. Für eine detaillierte Anleitung besuche die Seite Vorhersage:

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)

Link to this sectionWas sind die Vorteile der Verwendung des Tiger-Pose Datensatzes für die Posen-Schätzung?#

Der Tiger-Pose Datensatz bietet trotz seiner überschaubaren Größe von 210 Bildern für das Training eine vielfältige Sammlung an Bildern, die ideal zum Testen von Posen-Schätzungs-Pipelines sind. Der Datensatz hilft dabei, potenzielle Fehler zu identifizieren und dient als vorbereitender Schritt vor der Arbeit mit größeren Datensätzen. Zusätzlich unterstützt der Datensatz das Training und die Verfeinerung von Posen-Schätzungsalgorithmen unter Verwendung fortschrittlicher Tools wie der Ultralytics Platform und YOLO26, wodurch die Modellleistung und Genauigkeit verbessert werden.