Jeu de données 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

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 provenant d'une vidéo YouTube, dont 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 sa répartition d'entraînement gérable de 210 images, le jeu de données Tiger-Pose offre de la 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.

Une fois que ton pipeline s'entraîne proprement sur ce petit ensemble, remplace-le par tes propres points clés d'animaux ou d'objets et augmente l'échelle de l'entraînement sur Ultralytics Platform sans quitter le navigateur.

Structure du jeu de données#

• Nombre total d'images : 263 (210 entraînement / 53 validation).
• Points clés : 12 par tigre (pas de drapeau de visibilité).
• Taille du téléchargement : ~49,8 Mo.
• Disposition des répertoires : points clés au format YOLO stockés sous labels/{train,val} aux côtés des répertoires images/{train,val}.

YAML du jeu de données#

Un fichier YAML sert à 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 Ultralytics Tiger-Pose.

# 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

Utilisation#

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 obtenir une liste complète des arguments disponibles, consulte 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 annotations#

Voici quelques exemples d'images du jeu de données Tiger-Pose, accompagnés de leurs annotations correspondantes :

• Image mosaïquée : Cette image montre un lot d'entraînement composé d'images du jeu de données mosaïquées. La mosaïque est une technique utilisée pendant l'entraînement qui combine plusieurs images en une seule 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 de la mosaïque pendant le processus d'entraînement.

Exemple d'inférence#

Après l'entraînement, charge ton meilleur point de contrôle et exécute l'inférence sur de nouvelles images ou vidéos — consulte la page Prédiction pour obtenir la liste complète des arguments.

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)

Citations et remerciements#

Ultralytics publie les annotations du jeu de données Tiger-Pose sous la licence AGPL-3.0. La vidéo source reste soumise à ses conditions d'origine, qu'il convient de consulter avant d'utiliser ou de redistribuer les images extraites.

FAQ#