Conjunto de datos Tiger-Pose#

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

Introducción#

Ultralytics presenta el conjunto de datos Tiger-Pose, una colección versátil diseñada para tareas de estimación de pose. Este conjunto de datos consta de 263 imágenes extraídas de un vídeo de YouTube, de las cuales 210 se destinan al entrenamiento y 53 a la validación. Es un excelente recurso para probar y solucionar problemas de algoritmos de estimación de pose.

Aunque el conjunto de entrenamiento, con 210 imágenes, es manejable, Tiger-Pose ofrece diversidad y resulta adecuado para evaluar flujos de entrenamiento, detectar posibles errores y servir de paso preliminar antes de trabajar con conjuntos de datos más grandes para la estimación de pose.

Cuando el flujo de trabajo se entrene sin problemas con este conjunto pequeño, sustitúyelo por tus propios puntos clave de animales u objetos y amplía el entrenamiento en Ultralytics Platform sin salir del navegador.

Estructura del conjunto de datos#

• Imágenes totales: 263 (210 de entrenamiento / 53 de validación).
• Puntos clave: 12 por tigre (sin indicador de visibilidad).
• Tamaño de descarga: ~49.8 MB.
• Estructura de directorios: puntos clave en formato YOLO almacenados en labels/{train,val} junto a los directorios images/{train,val}.

YAML del conjunto de datos#

Un archivo YAML permite especificar los detalles de configuración de un conjunto de datos. Incluye información importante, como rutas de archivos, definiciones de clases y otros datos pertinentes. En concreto, puedes consultar Archivo de configuración del conjunto de datos Tiger-Pose de Ultralytics para ver el archivo tiger-pose.yaml.

# 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

Uso#

Para entrenar un modelo YOLO26n-pose con el conjunto de datos Tiger-Pose durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Para consultar la lista completa de argumentos disponibles, visita la página de Entrenamiento del modelo.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-pose.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

Aquí tienes algunos ejemplos de imágenes del conjunto de datos Tiger-Pose, junto con sus anotaciones correspondientes:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos Tiger-Pose, así como las ventajas de utilizar mosaicos durante el entrenamiento.

Ejemplo de inferencia#

Una vez finalizado el entrenamiento, carga tu mejor punto de control y ejecuta la inferencia en imágenes o vídeos nuevos; consulta la página de Predicción para ver la lista completa de argumentos.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("path/to/best.pt")  # cargar un modelo entrenado con tiger-pose

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

Citas y agradecimientos#

Ultralytics publica las anotaciones del conjunto de datos Tiger-Pose bajo la Licencia AGPL-3.0. El vídeo original sigue sujeto a sus condiciones originales, que debes revisar antes de utilizar o redistribuir los fotogramas extraídos.

Preguntas frecuentes#