Tiger-Pose Datensatz#

262

Tiger Pose

ultralytics

publicPose

Tiger pose-estimation dataset with 262 unique 1280x720 video frames across 209 train and 53 validation images, all labeled with one tiger instance and 12 two-dimensional keypoints. One byte-identical duplicate frame with a redundant near-identical label was excluded. Ultralytics pose annotations are distributed with source frames derived from the attributed YouTube tiger video.

1 class44 MBAug 21, 2026

tiger

tigerswildlifepose-estimation+1

Einführung#

Ultralytics stellt den Tiger-Pose-Datensatz vor, eine vielseitige Sammlung für Aufgaben der Pose-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 Pose-Schätzung.

Trotz seines überschaubaren Trainingssplits von 210 Bildern bietet der Tiger-Pose-Datensatz Vielfalt, wodurch er sich eignet, um Trainings-Pipelines zu bewerten, potenzielle Fehler zu identifizieren und als wertvoller erster Schritt vor der Arbeit mit größeren Datensätzen für die Pose-Schätzung zu dienen.

Sobald deine Pipeline mit diesem kleinen Set sauber trainiert, kannst du deine eigenen Tier- oder Objekt-Keypoints einfügen und das Training auf der Ultralytics Platform skalieren, ohne den Browser zu verlassen.

Datensatzstruktur#

• Gesamtzahl der Bilder: 263 (210 train / 53 val).
• Keypoints: 12 pro Tiger (kein Sichtbarkeits-Flag).
• Download-Größe: ~49,8 MB.
• Verzeichnislayout: Im YOLO-Format gespeicherte Keypoints unter labels/{train,val} neben images/{train,val}-Verzeichnissen.

Datensatz-YAML#

Eine YAML-Datei dient dazu, die Konfigurationsdetails eines Datensatzes festzulegen. Sie umfasst wichtige Daten wie Dateipfade, Klassendefinitionen und andere relevante Informationen. Speziell für die Datei tiger-pose.yaml kannst du dir die Konfigurationsdatei des Ultralytics Tiger-Pose-Datensatzes ansehen.

# 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 auf dem Tiger-Pose-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, kannst du die folgenden Codeausschnitte verwenden. Eine vollständige Liste der verfügbaren Argumente findest du auf der Trainingsseite für Modelle.

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)

Beispielbilder 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.

Inferenz-Beispiel#

Lade nach dem Training deinen besten Checkpoint und führe die Inferenz für neue Bilder oder Videos aus – die vollständige Liste der Argumente findest du auf der Vorhersageseite.

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/Gc6K5eKrTNQ", show=True)

Zitate und Danksagungen#

Ultralytics veröffentlicht die Annotationen des Tiger-Pose-Datensatzes unter der AGPL-3.0 License. Das Quellvideo unterliegt nach wie vor seinen ursprünglichen Bedingungen, die vor der Verwendung oder Weitergabe extrahierter Frames überprüft werden sollten.

FAQ#