Conjunto de datos Tiger-Pose#

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

Introducción#

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 video de YouTube, con 210 imágenes asignadas para el entrenamiento y 53 para la validación. Sirve como un recurso excelente para probar y solucionar problemas en algoritmos de estimación de poses.

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

Una vez que tu canalización se entrene correctamente con este pequeño conjunto, intercambia los puntos clave de tus propios animales u objetos y amplía el entrenamiento en Ultralytics Platform sin salir del navegador.

Estructura del dataset#

• Imágenes totales: 263 (210 de entrenamiento / 53 de validación).
• Puntos clave (Keypoints): 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 con los directorios images/{train,val}.

YAML del dataset#

Un archivo YAML 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

Uso#

Para entrenar un modelo YOLO26n-pose en el conjunto de datos Tiger-Pose durante 100 épocas con un tamaño de imagen de 640, puedes usar 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)

Muestras 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.

Ejemplo de inferencia#

Después del entrenamiento, carga tu mejor punto de control y ejecuta la inferencia en nuevas imágenes o videos; consulta la página de Predicción para ver la lista completa de argumentos.

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)

Citas y agradecimientos#

Ultralytics publica las anotaciones del conjunto de datos Tiger-Pose bajo la Licencia AGPL-3.0. El video de origen sigue sujeto a sus términos originales, los cuales deben revisarse antes de usar o redistribuir los fotogramas extraídos.

FAQ#