Aperçu des ensembles de données pour l'estimation de la pose

Formats de données pris en charge

Ultralytics YOLO format

Le format de l'étiquette de l'ensemble de données utilisé pour l'entraînement des modèles de pose YOLO est le suivant :

1. Un fichier texte par image : À chaque image de l'ensemble de données correspond un fichier texte portant le même nom que le fichier image et l'extension ".txt".
2. Une ligne par objet : Chaque ligne du fichier texte correspond à une instance d'objet dans l'image.
3. Informations sur l'objet par ligne : Chaque ligne contient les informations suivantes sur l'instance d'objet :
   • Indice de classe de l'objet : Un nombre entier représentant la classe de l'objet (par exemple, 0 pour une personne, 1 pour une voiture, etc.)
   • Coordonnées du centre de l'objet : Les coordonnées x et y du centre de l'objet, normalisées pour être comprises entre 0 et 1.
   • Largeur et hauteur de l'objet : La largeur et la hauteur de l'objet, normalisées pour être comprises entre 0 et 1.
   • Coordonnées des points clés de l'objet : Les points clés de l'objet, normalisés pour être compris entre 0 et 1.

Voici un exemple de format d'étiquette pour la tâche d'estimation de la pose :

Format avec Dim = 2

<class-index> <x> <y> <width> <height> <px1> <py1> <px2> <py2> ... <pxn> <pyn>

Format avec Dim = 3

<class-index> <x> <y> <width> <height> <px1> <py1> <p1-visibility> <px2> <py2> <p2-visibility> <pxn> <pyn> <p2-visibility>

Dans ce format, <class-index> est l'indice de la classe de l'objet,<x> <y> <width> <height> are coordinates of bounding boxet <px1> <py1> <px2> <py2> ... <pxn> <pyn> sont les coordonnées des pixels des points clés. Les coordonnées sont séparées par des espaces.

Format YAML du jeu de données

Le cadre Ultralytics utilise un format de fichier YAML pour définir l'ensemble de données et la configuration du modèle pour la formation des modèles de détection. Voici un exemple du format YAML utilisé pour définir un ensemble de données de détection :

# 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/coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes dictionary
names:
    0: person

Le train et val indiquent les chemins d'accès aux répertoires contenant respectivement les images d'entraînement et de validation.

names est un dictionnaire de noms de classes. L'ordre des noms doit correspondre à l'ordre des indices des classes d'objets dans les fichiers du jeu de données YOLO .

(Facultatif) si les points sont symétriques, il faut utiliser flip_idx, comme le côté gauche-droit d'un humain ou d'un visage. Par exemple, si nous supposons cinq points clés du repère facial : [œil gauche, œil droit, nez, bouche gauche, bouche droite], et que l'index original est [0, 1, 2, 3, 4], alors flip_idx est [1, 0, 2, 4, 3] (il suffit d'échanger l'index gauche-droite, c'est-à-dire 0-1 et 3-4, et de ne pas modifier les autres, comme le nez dans cet exemple).

Utilisation

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="coco8-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo pose train data=coco8-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Ensembles de données pris en charge

Cette section présente les ensembles de données qui sont compatibles avec le format Ultralytics YOLO et qui peuvent être utilisés pour l'entraînement des modèles d'estimation de la pose :

COCO-Pose

• Description: COCO-Pose is a large-scale object detection, segmentation, and pose estimation dataset. It is a subset of the popular COCO dataset and focuses on human pose estimation. COCO-Pose includes multiple keypoints for each human instance.
• Format de l'étiquette: Identique au format Ultralytics YOLO décrit ci-dessus, avec des points clés pour les poses humaines.
• Nombre de classes: 1 (Humain).
• Points clés: 17 points clés dont le nez, les yeux, les oreilles, les épaules, les coudes, les poignets, les hanches, les genoux et les chevilles.
• Utilisation: Convient à l'entraînement des modèles d'estimation de la pose humaine.
• Notes supplémentaires: L'ensemble de données est riche et diversifié, il contient plus de 200k images étiquetées.
• En savoir plus sur COCO-Pose

COCO8-Pose

• Description: Ultralytics COCO8-Pose est un ensemble de données de détection de pose petit, mais polyvalent, composé des 8 premières images de l'ensemble COCO train 2017, 4 pour l'entraînement et 4 pour la validation.
• Format de l'étiquette: Identique au format Ultralytics YOLO décrit ci-dessus, avec des points clés pour les poses humaines.
• Nombre de classes: 1 (Humain).
• Points clés: 17 points clés dont le nez, les yeux, les oreilles, les épaules, les coudes, les poignets, les hanches, les genoux et les chevilles.
• Utilisation: Convient pour tester et déboguer les modèles de détection d'objets, ou pour expérimenter de nouvelles approches de détection.
• Notes supplémentaires: COCO8-Pose est idéal pour les vérifications de bon sens et les vérifications de l'IC.
• En savoir plus sur COCO8-Pose

Pose du tigre

• Description: Ultralytics Cet ensemble de données sur la pose des animaux comprend 263 images provenant d'une vidéo YouTube, avec 210 images allouées pour l'entraînement et 53 pour la validation.
• Format de l'étiquette: Identique au format Ultralytics YOLO décrit ci-dessus, avec 12 points clés pour la pose de l'animal et aucune dimension visible.
• Nombre de classes: 1 (Tigre).
• Points clés: 12 points clés.
• Utilisation: Idéal pour les poses d'animaux ou toute autre pose qui n'est pas basée sur l'humain.
• Plus d'informations sur Tiger-Pose

Hand Keypoints

• Description: Hand keypoints pose dataset comprises nearly 26K images, with 18776 images allocated for training and 7992 for validation.
• Label Format: Same as Ultralytics YOLO format as described above, but with 21 keypoints for human hand and visible dimension.
• Number of Classes: 1 (Hand).
• Keypoints: 21 keypoints.
• Usage: Great for human hand pose estimation.
• Read more about Hand Keypoints

Ajouter ton propre jeu de données

Si tu as ton propre jeu de données et que tu souhaites l'utiliser pour entraîner des modèles d'estimation de pose avec le format Ultralytics YOLO , assure-toi qu'il respecte le format spécifié ci-dessus sous "Ultralytics YOLO format ". Convertis tes annotations au format requis et spécifie les chemins, le nombre de classes et les noms des classes dans le fichier de configuration YAML.

Outil de conversion

Ultralytics fournit un outil de conversion pratique pour convertir les étiquettes du format de jeu de données populaire COCO au format YOLO :

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

Cet outil de conversion peut être utilisé pour convertir le jeu de données COCO ou tout autre jeu de données au format COCO au format Ultralytics YOLO . L'outil de use_keypoints spécifie s'il faut inclure les points clés (pour l'estimation de la pose) dans les étiquettes converties.

FAQ

Quel est le format Ultralytics YOLO pour l'estimation de la pose ?

Le format Ultralytics YOLO pour les ensembles de données d'estimation de la pose implique l'étiquetage de chaque image avec un fichier texte correspondant. Chaque ligne du fichier texte stocke des informations sur une instance d'objet :

• Index de la classe d'objets
• Coordonnées du centre de l'objet (normalisées x et y)
• Largeur et hauteur de l'objet (normalisées)
• Coordonnées du point clé de l'objet (pxn et pyn normalisés)

Pour les poses en 2D, les points clés comprennent les coordonnées des pixels. Pour les poses en 3D, chaque point clé possède également un indicateur de visibilité. Pour plus de détails, voir Ultralytics YOLO format.

Comment utiliser l'ensemble de données COCO-Pose avec Ultralytics YOLO ?

To use the COCO-Pose dataset with Ultralytics YOLO:

1. Download the dataset and prepare your label files in the YOLO format.
2. Create a YAML configuration file specifying paths to training and validation images, keypoint shape, and class names.

3. Use the configuration file for training:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n-pose.pt")  # load pretrained model
   results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)
   

   For more information, visit COCO-Pose and train sections.

Comment puis-je ajouter mon propre jeu de données pour l'estimation de la pose dans Ultralytics YOLO ?

To add your dataset:

1. Convert your annotations to the Ultralytics YOLO format.
2. Create a YAML configuration file specifying the dataset paths, number of classes, and class names.

3. Use the configuration file to train your model:

   from ultralytics import YOLO
   
   model = YOLO("yolo11n-pose.pt")
   results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)
   

   For complete steps, check the Adding your own dataset section.

À quoi sert le fichier YAML du jeu de données dans Ultralytics YOLO ?

Le fichier YAML dataset dans Ultralytics YOLO définit le jeu de données et la configuration du modèle pour l'entraînement. Il spécifie les chemins d'accès aux images d'entraînement, de validation et de test, les formes des points clés, les noms des classes et d'autres options de configuration. Ce format structuré permet de rationaliser la gestion des ensembles de données et la formation des modèles. Voici un exemple de format YAML :

path: ../datasets/coco8-pose
train: images/train
val: images/val
names:
    0: person

En savoir plus sur la création de fichiers de configuration YAML dans le format Dataset YAML.

Comment puis-je convertir les étiquettes du jeu de données COCO au format Ultralytics YOLO pour l'estimation de la pose ?

Ultralytics fournit un outil de conversion pour convertir les étiquettes des jeux de données COCO au format YOLO , y compris les informations sur les points clés :

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

Cet outil permet d'intégrer de façon transparente les jeux de données COCO dans les projets YOLO . Pour plus de détails, voir la section Outil de conversion.

📅 Created 11 months ago ✏️ Updated 6 days ago

Commentaires