Tiger-Pose-Datensatz

Einführung

Ultralytics stellt den Tiger-Pose-Datensatz vor, eine vielseitige Sammlung, die für Posenschätzungsaufgaben entwickelt wurde. Dieser Datensatz umfasst 263 Bilder, die aus einem YouTube-Video stammen, wobei 210 Bilder für das Training und 53 für die Validierung vorgesehen sind. Er dient als hervorragende Ressource für das Testen und die Fehlersuche bei Algorithmen zur Posenschätzung.

Trotz seiner überschaubaren Größe von 210 Bildern bietet der Tiger-Pose-Datensatz eine große Vielfalt, so dass er sich für die Bewertung von Trainingspipelines und die Identifizierung potenzieller Fehler eignet und als wertvolle Vorstufe zur Arbeit mit größeren Datensätzen für die Posenschätzung dient.

Dieser Datensatz ist für die Verwendung mit Ultralytics HUB und YOLO11.

Beobachten: Trainieren Sie das YOLO11 Pose-Modell auf dem Tiger-Pose-Datensatz mit Ultralytics HUB

Datensatz YAML

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

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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: ../datasets/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/tiger-pose.zip

Verwendung

Um ein YOLO11n-Pose-Modell auf dem Tiger-Pose-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, können Sie die folgenden Codeschnipsel verwenden. Eine umfassende Liste der verfügbaren Argumente finden Sie auf der Seite Modelltraining.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Beispielbilder und -kommentare

Hier sind einige Beispiele von Bildern aus dem Tiger-Pose-Datensatz, zusammen mit den entsprechenden Anmerkungen:

• Mosaikbild: Dieses Bild zeigt einen Trainingsstapel, der aus Mosaikbildern des Datensatzes besteht. Das Mosaikieren ist eine Technik, bei der während des Trainings mehrere Bilder zu einem einzigen Bild kombiniert werden, um die Vielfalt der Objekte und Szenen in jedem Trainingsstapel zu erhöhen. Dies trägt dazu bei, die Fähigkeit des Modells zur Generalisierung auf verschiedene Objektgrößen, Seitenverhältnisse und Kontexte zu verbessern.

Das Beispiel verdeutlicht die Vielfalt und Komplexität der Bilder im Tiger-Pose-Datensatz und die Vorteile der Mosaikbildung während des Trainingsprozesses.

Beispiel für eine Schlussfolgerung

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)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Zitate und Danksagungen

Der Datensatz wurde unter der AGPL-3.0 Lizenz veröffentlicht.

FAQ

Wofür wird der Ultralytics Tiger-Pose-Datensatz verwendet?

Der Ultralytics Tiger-Pose-Datensatz wurde für Posenschätzungsaufgaben entwickelt und besteht aus 263 Bildern, die aus einem YouTube-Video stammen. Der Datensatz ist in 210 Trainingsbilder und 53 Validierungsbilder unterteilt. Er ist besonders nützlich für das Testen, Trainieren und Verfeinern von Algorithmen zur Posenschätzung mit Ultralytics HUB und YOLO11.

Wie trainiere ich ein YOLO11 Modell mit dem Tiger-Pose-Datensatz?

Um ein YOLO11n-Positionsmodell auf dem Tiger-Pose-Datensatz für 100 Epochen mit einer Bildgröße von 640 zu trainieren, verwenden Sie die folgenden Codeschnipsel. Weitere Details finden Sie auf der Seite Training:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Welche Konfigurationen bietet die tiger-pose.yaml Datei enthalten?

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, können Sie sich die Ultralytics Tiger-Pose-Datensatz Konfigurationsdatei.

Wie kann ich mit einem YOLO11 Modell, das mit dem Tiger-Pose-Datensatz trainiert wurde, Inferenzen durchführen?

Zur Durchführung von Schlussfolgerungen mit einem YOLO11 Modell, das auf dem Tiger-Pose-Datensatz trainiert wurde, können Sie die folgenden Codeschnipsel verwenden. Eine detaillierte Anleitung finden Sie auf der 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)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Was sind die Vorteile der Verwendung des Tiger-Pose-Datensatzes für die Posenschätzung?

Der Tiger-Pose-Datensatz bietet trotz seiner überschaubaren Größe von 210 Bildern für das Training eine vielfältige Sammlung von Bildern, die sich ideal zum Testen von Posenschätzungs-Pipelines eignen. Der Datensatz hilft bei der Identifizierung potenzieller Fehler und dient als Vorstufe zur Arbeit mit größeren Datensätzen. Außerdem unterstützt der Datensatz das Training und die Verfeinerung von Algorithmen zur Posenschätzung mit fortschrittlichen Tools wie Ultralytics HUB und YOLO11um die Leistung und Genauigkeit der Modelle zu verbessern.

📅 Erstellt vor 1 Jahr ✏️ Aktualisiert vor 2 Monaten

Kommentare