Jeu de données Tiger-Pose
Introduction
Ultralytics présente le jeu de données Tiger-Pose, une collection polyvalente conçue pour les tâches d'estimation de pose. Ce jeu de données comprend 263 images issues d'une vidéo YouTube, avec 210 images allouées pour l'entraînement et 53 pour la validation. Il constitue une excellente ressource pour tester et dépanner les algorithmes d'estimation de pose.
Malgré son fractionnement d'entraînement gérable de 210 images, le jeu de données Tiger-Pose offre une certaine diversité, ce qui le rend adapté pour évaluer les pipelines d'entraînement, identifier les erreurs potentielles et servir d'étape préliminaire précieuse avant de travailler avec des jeux de données plus volumineux pour l'estimation de pose.
Ce jeu de données est destiné à être utilisé avec Ultralytics Platform et YOLO26.
Structure du jeu de données
- Images totales : 263 (210 entraînement / 53 validation).
- Points clés : 12 par tigre (sans indicateur de visibilité).
- Disposition des répertoires : points clés au format YOLO stockés sous
labels/{train,val}avec les répertoiresimages/{train,val}.
Watch: Train YOLO26 Pose Model on Tiger-Pose Dataset Using Ultralytics Platform
YAML du jeu de données
Un fichier YAML (Yet Another Markup Language) sert de moyen pour spécifier les détails de configuration d'un jeu de données. Il englobe des données cruciales telles que les chemins de fichiers, les définitions de classes et d'autres informations pertinentes. Plus précisément, pour le fichier tiger-pose.yaml, tu peux consulter le fichier de configuration du jeu de données Tiger-Pose d'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.zipUtilisation
Pour entraîner un modèle YOLO26n-pose sur le jeu de données Tiger-Pose pendant 100 époques avec une taille d'image de 640, tu peux utiliser les extraits de code suivants. Pour une liste complète des arguments disponibles, réfère-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="tiger-pose.yaml", epochs=100, imgsz=640)Exemples d'images et d'annotations
Voici quelques exemples d'images du jeu de données Tiger-Pose, accompagnés de leurs annotations correspondantes :
- Image en mosaïque : Cette image démontre un lot d'entraînement composé d'images du jeu de données en mosaïque. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule image pour augmenter la variété des objets et des scènes au sein de chaque lot d'entraînement. Cela aide à améliorer la capacité du modèle à généraliser à différentes tailles d'objets, ratios d'aspect et contextes.
L'exemple met en valeur la variété et la complexité des images dans le jeu de données Tiger-Pose ainsi que les avantages de l'utilisation du mosaïquage pendant le processus d'entraînement.
Exemple d'inférence
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)Citations et remerciements
Le jeu de données a été publié sous la licence AGPL-3.0 License.
FAQ
À quoi sert le jeu de données Tiger-Pose d'Ultralytics ?
Le jeu de données Tiger-Pose d'Ultralytics est conçu pour les tâches d'estimation de pose, consistant en 263 images issues d'une vidéo YouTube. Le jeu de données est divisé en 210 images d'entraînement et 53 images de validation. Il est particulièrement utile pour tester, entraîner et affiner les algorithmes d'estimation de pose en utilisant la plateforme Ultralytics et YOLO26.
Comment puis-je entraîner un modèle YOLO26 sur le jeu de données Tiger-Pose ?
Pour entraîner un modèle YOLO26n-pose sur le jeu de données Tiger-Pose pendant 100 époques avec une taille d'image de 640, utilise les extraits de code suivants. Pour plus de détails, visite la page Entraînement :
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)Quelles configurations le fichier tiger-pose.yaml inclut-il ?
Le fichier tiger-pose.yaml est utilisé pour spécifier les détails de configuration du jeu de données Tiger-Pose. Il inclut des données cruciales telles que les chemins de fichiers et les définitions de classes. Pour voir la configuration exacte, tu peux consulter le fichier de configuration du jeu de données Tiger-Pose d'Ultralytics.
Comment puis-je exécuter une inférence en utilisant un modèle YOLO26 entraîné sur le jeu de données Tiger-Pose ?
Pour effectuer une inférence en utilisant un modèle YOLO26 entraîné sur le jeu de données Tiger-Pose, tu peux utiliser les extraits de code suivants. Pour un guide détaillé, visite la page Prédiction :
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)Quels sont les avantages d'utiliser le jeu de données Tiger-Pose pour l'estimation de pose ?
Le jeu de données Tiger-Pose, malgré sa taille gérable de 210 images pour l'entraînement, fournit une collection diversifiée d'images qui sont idéales pour tester les pipelines d'estimation de pose. Le jeu de données aide à identifier les erreurs potentielles et agit comme une étape préliminaire avant de travailler avec des jeux de données plus larges. De plus, le jeu de données prend en charge l'entraînement et l'affinage des algorithmes d'estimation de pose en utilisant des outils avancés comme la plateforme Ultralytics et YOLO26, améliorant les performances du modèle et la précision.