Link to this sectionConjunto de datos Tiger-Pose#

Link to this sectionIntroducción#

Ultralytics presenta el conjunto de datos Tiger-Pose, una colección versátil diseñada para tareas de estimación de poses. Este conjunto de datos comprende 263 imágenes extraídas de un vídeo de YouTube, con 210 imágenes asignadas para entrenamiento y 53 para validación. Sirve como un recurso excelente para probar y depurar algoritmos de estimación de poses.

A pesar de su manejable partición de entrenamiento de 210 imágenes, el conjunto de datos Tiger-Pose ofrece diversidad, lo que lo hace adecuado para evaluar tuberías (pipelines) de entrenamiento, identificar errores potenciales y servir como un paso preliminar valioso antes de trabajar con conjuntos de datos más grandes para estimación de poses.

Este conjunto de datos está pensado para usarse con Ultralytics Platform y YOLO26.

Link to this sectionEstructura del dataset#

• Imágenes totales: 263 (210 de entrenamiento / 53 de validación).
• Puntos clave (Keypoints): 12 por tigre (sin indicador de visibilidad).
• Disposición del directorio: Puntos clave en formato YOLO almacenados bajo labels/{train,val} junto a los directorios images/{train,val}.

Link to this sectionYAML del dataset#

Un archivo YAML (Yet Another Markup Language) sirve como medio para especificar los detalles de configuración de un conjunto de datos. Abarca datos cruciales como rutas de archivos, definiciones de clases y otra información pertinente. Específicamente, para el archivo tiger-pose.yaml, puedes consultar el Archivo de configuración del conjunto de datos Tiger-Pose de Ultralytics.

# 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 sectionUso#

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

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 sectionMuestras de imágenes 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 en mosaico. El mosaico es una técnica utilizada durante el entrenamiento que combina múltiples imágenes en una sola para aumentar la variedad de objetos y escenas dentro de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a diferentes tamaños de objeto, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes en el conjunto de datos Tiger-Pose y los beneficios de usar el mosaico durante el proceso de entrenamiento.

Link to this sectionEjemplo de inferencia#

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 sectionCitas y agradecimientos#

El conjunto de datos ha sido publicado bajo la Licencia AGPL-3.0.

Link to this sectionFAQ#

Link to this section¿Para qué se utiliza el conjunto de datos Tiger-Pose de Ultralytics?#

El conjunto de datos Tiger-Pose de Ultralytics está diseñado para tareas de estimación de poses y consta de 263 imágenes extraídas de un vídeo de YouTube. El conjunto de datos está dividido en 210 imágenes de entrenamiento y 53 imágenes de validación. Es particularmente útil para probar, entrenar y perfeccionar algoritmos de estimación de poses utilizando Ultralytics Platform y YOLO26.

Link to this section¿Cómo entreno un modelo YOLO26 en el conjunto de datos Tiger-Pose?#

Para entrenar un modelo YOLO26n-pose en el conjunto de datos Tiger-Pose durante 100 épocas con un tamaño de imagen de 640, utiliza los siguientes fragmentos de código. Para más detalles, visita la página de Entrenamiento:

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 section¿Qué configuraciones incluye el archivo tiger-pose.yaml?#

El archivo tiger-pose.yaml se utiliza para especificar los detalles de configuración del conjunto de datos Tiger-Pose. Incluye datos cruciales como rutas de archivos y definiciones de clases. Para ver la configuración exacta, puedes consultar el Archivo de configuración del conjunto de datos Tiger-Pose de Ultralytics.

Link to this section¿Cómo puedo ejecutar la inferencia utilizando un modelo YOLO26 entrenado en el conjunto de datos Tiger-Pose?#

Para realizar la inferencia utilizando un modelo YOLO26 entrenado en el conjunto de datos Tiger-Pose, puedes utilizar los siguientes fragmentos de código. Para obtener una guía detallada, visita la página de Predicción:

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 section¿Cuáles son los beneficios de utilizar el conjunto de datos Tiger-Pose para la estimación de poses?#

El conjunto de datos Tiger-Pose, a pesar de su manejable tamaño de 210 imágenes para entrenamiento, proporciona una colección diversa de imágenes que son ideales para probar tuberías de estimación de poses. El conjunto de datos ayuda a identificar errores potenciales y actúa como un paso preliminar antes de trabajar con conjuntos de datos más grandes. Además, el conjunto de datos admite el entrenamiento y perfeccionamiento de algoritmos de estimación de poses utilizando herramientas avanzadas como Ultralytics Platform y YOLO26, mejorando el rendimiento y la precisión del modelo.