Jeu de données Dog-Pose#

8,449

Dog Pose

ultralytics

publicPose

Dog Pose builds on Stanford Dogs and ImageNet imagery, labeling one dog per image with 24 three-dimensional keypoints and visibility. It supports articulated animal pose estimation across breeds, body shapes, viewpoints, actions, occlusion, and image backgrounds.

1 class480.7 MBSep 2, 2026

dog

dogsanimalspose-estimation+1

Introduction#

Le jeu de données Dog-Pose d’Ultralytics est un jeu de données complet et de grande qualité, spécialement constitué pour l’estimation des points clés des chiens. Il fournit 6 773 images d’entraînement et 1 703 images de validation.

Chaque image annotée comprend 24 points clés avec 3 dimensions par point clé (x, y, visibilité), ce qui en fait une ressource précieuse pour la recherche et le développement avancés en vision par ordinateur.

Pour une race particulière ou une autre espèce, la plateforme Ultralytics gère le téléversement, l’annotation et l’entraînement d’un modèle personnalisé à points clés sur tes propres données, sans que tu aies à gérer l’infrastructure.

Structure du jeu de données#

• Nombre total d’images : 8 476 (6 773 train / 1 703 val), avec les fichiers d’annotation correspondants au format YOLO.

• Points clés : 24 par chien, sous forme de triplets (x, y, visibility).

• Taille du téléchargement : ~337 Mo.

• Arborescence :

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

Fichier YAML du jeu de données#

Un fichier YAML sert à définir la configuration du jeu de données. Il comprend les chemins, les détails des points clés et d’autres informations pertinentes. Pour le jeu de données Dog-Pose, le fichier dog-pose.yaml est disponible à l’adresse https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

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

Utilisation#

Pour entraîner un modèle YOLO26n-pose sur le jeu de données Dog-Pose pendant 100 époques, avec une taille d’image de 640, tu peux utiliser les extraits de code suivants. Pour consulter la liste complète des paramètres disponibles, reporte-toi à la page Entraînement du modèle.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n-pose.pt")  # charger un modèle préentraîné (recommandé pour l’entraînement)

# Entraîner le modèle
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

Voici quelques exemples d’images du jeu de données Dog-Pose, accompagnées de leurs annotations correspondantes :

• Image en mosaïque : cette image montre un lot d’entraînement composé d’images du jeu de données assemblées en mosaïque. La mosaïque est une technique utilisée pendant l’entraînement qui combine plusieurs images en une seule afin d’augmenter la variété des objets et des scènes dans chaque lot d’entraînement. Elle aide le modèle à mieux généraliser à différentes tailles d’objets, proportions et contextes.

L’exemple illustre la variété et la complexité des images du jeu de données Dog-Pose, ainsi que les avantages de la mosaïque pendant l’entraînement.

Citations et remerciements#

Si tu utilises le jeu de données Dog-Pose dans le cadre de tes travaux de recherche ou de développement, cite l’article suivant :

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

Nous tenons à remercier l’équipe de Stanford d’avoir créé et maintenu cette précieuse ressource pour la communauté de la vision par ordinateur. Pour en savoir plus sur le jeu de données Dog-Pose et ses créateurs, consulte le site web du jeu de données Stanford Dogs.

FAQ#