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

Einleitung#

Ultralytics stellt den Tiger-Pose-Datensatz vor, eine vielseitige Sammlung für Aufgaben der Pose-Schätzung. Dieser 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 Beheben von Fehlern in Algorithmen zur Pose-Schätzung.

Trotz seines überschaubaren Trainingsumfangs von 210 Bildern bietet der Tiger-Pose-Datensatz eine große Vielfalt. Dadurch eignet er sich zur Bewertung von Trainingspipelines, zum Erkennen potenzieller Fehler und als wertvoller vorbereitender Schritt, bevor du mit größeren Datensätzen für die Pose-Schätzung arbeitest.

Sobald deine Pipeline auf diesem kleinen Datensatz sauber trainiert, kannst du deine eigenen Keypoints für Tiere oder Objekte einsetzen und das Training auf der Ultralytics Platform direkt im Browser hochskalieren.

Datensatzstruktur#

• Bilder insgesamt: 263 (210 Training / 53 Validierung).
• Keypoints: 12 pro Tiger (kein Sichtbarkeitskennzeichen).
• Downloadgröße: ~49.8 MB.
• Verzeichnisstruktur: Keypoints im YOLO-Format liegen unter labels/{train,val} neben den Verzeichnissen images/{train,val}.

Dataset-YAML#

Eine YAML-Datei dient dazu, die Konfigurationsdetails eines Datensatzes festzulegen. Sie enthält wichtige Daten wie Dateipfade, Klassendefinitionen und weitere relevante Informationen. Für die Datei tiger-pose.yaml kannst du insbesondere die Konfigurationsdatei des Ultralytics Tiger-Pose-Datensatzes aufrufen.

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

Beispielbilder und Annotationen#

Hier findest du einige Beispiele für Bilder aus dem Tiger-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 Tiger-Pose-Datensatz sowie die Vorteile der Mosaikaugmentation während des Trainings.

Inferenzbeispiel#

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

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-Lizenz. Das Quellvideo unterliegt weiterhin seinen ursprünglichen Bedingungen, die du vor der Verwendung oder Weiterverteilung der extrahierten Einzelbilder prüfen solltest.

FAQ#