Dataset 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 dataset Dog-Pose d’Ultralytics est un dataset complet et de haute qualité, spécialement conçu 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 spécifique ou un animal complètement différent, Ultralytics Platform prend en charge le téléversement, l’annotation et l’entraînement d’un modèle personnalisé de 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 pour l’entraînement / 1 703 pour la validation), avec les fichiers d’annotation correspondants au format YOLO.

• Points clés : 24 par chien, avec des triplets (x, y, visibility).

• Taille du téléchargement : ~337 Mo.

• Structure :

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

YAML du jeu de données#

Un fichier YAML sert à définir la configuration du dataset. Il comprend les chemins, les détails des points clés et d’autres informations pertinentes. Pour le dataset 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 dataset 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 arguments disponibles, reporte-toi à la page Entraînement du modèle.

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

Exemples d’images et d’annotations#

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

• Image en mosaïque : cette image présente 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. Cela contribue à améliorer la capacité du modèle à se généraliser à différentes tailles d’objets, proportions et contextes.

L’exemple illustre la variété et la complexité des images du dataset Dog-Pose, ainsi que les avantages de l’utilisation de la mosaïque pendant le processus d’entraînement.

Citations et remerciements#

Si tu utilises le dataset Dog-Pose dans tes travaux de recherche ou de développement, merci de citer 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 souhaitons remercier l’équipe de Stanford pour avoir créé et maintenu cette précieuse ressource destinée à la communauté de la vision par ordinateur. Pour plus d’informations sur le dataset Dog-Pose et ses créateurs, consulte le site web du Stanford Dogs Dataset.

FAQ#