Sécurité prête pour l'entreprise : Conforme ISO 27001 + SOC 2 Type I.
AGPL 3.0

Link to this sectionJeu de données Tiger-Pose#

Link to this sectionIntroduction#

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, avec 210 images allouées pour l'entraînement et 53 pour la validation. Il constitue une excellente ressource pour tester et déboguer les algorithmes d'estimation de pose.

Malgré son jeu d'entraînement gérable de 210 images, le jeu de données Tiger-Pose offre une diversité qui le rend adapté pour évaluer tes pipelines d'entraînement, identifier des erreurs potentielles et servir d'étape préliminaire utile avant de travailler avec des jeux de données plus importants pour l'estimation de pose.

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

Link to this sectionStructure 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}.


Watch: Train an Ultralytics YOLO Pose Model on the Tiger-Pose Dataset

Link to this sectionYAML du jeu de données#

Un fichier YAML sert de moyen pour spécifier les détails de configuration d'un dataset. Il comprend 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 dataset Tiger-Pose d'Ultralytics.

ultralytics/cfg/datasets/tiger-pose.yaml
# 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

Link to this sectionUtilisation#

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, consulte la page Entraînement du modèle.

Exemple d'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)

Link to this sectionExemples d'images et annotations#

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

Tiger pose estimation dataset mosaic training batch
  • 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.

Link to this sectionExemple d'inférence#

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

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)

Link to this sectionCitations et remerciements#

Ultralytics publie les annotations du jeu de données Tiger-Pose sous la AGPL-3.0 License. La vidéo source reste soumise à ses conditions originales, que tu devrais consulter avant d'utiliser ou de redistribuer les images extraites.

Link to this sectionFAQ#

Link to this sectionÀ 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, composé de 263 images provenant d'une vidéo YouTube. Le jeu de données est divisé en 210 images d'entraînement et 53 images de validation, ce qui le rend bien adapté pour tester, entraîner et affiner les algorithmes d'estimation de pose.

Link to this sectionComment entraîner un modèle YOLO26 sur le jeu de données Tiger-Pose ?#

Charge yolo26n-pose.pt et appelle model.train(data="tiger-pose.yaml", epochs=100, imgsz=640) — consulte l'exemple d'Entraînement ci-dessus pour les extraits complets en Python et CLI, ainsi que la page Training pour une liste exhaustive des arguments.

Link to this sectionQuelles configurations le fichier tiger-pose.yaml inclut-il ?#

Le fichier tiger-pose.yaml définit le chemin du jeu de données, les répertoires d'images d'entraînement/validation, une classe unique (tiger), et kpt_shape: [12, 2] — 12 points clés par instance sans indicateur de visibilité. Consulte le Fichier de configuration du jeu de données Tiger-Pose d'Ultralytics pour la configuration exacte.

Link to this sectionComment puis-je exécuter une inférence en utilisant un modèle YOLO26 entraîné sur le jeu de données Tiger-Pose ?#

Charge ton point de contrôle entraîné (par exemple path/to/best.pt) et appelle model.predict(source=..., show=True) — consulte l'exemple d'Inférence ci-dessus pour les extraits complets en Python et CLI, ainsi que la page Prediction pour une liste exhaustive des arguments.

Link to this sectionQuels sont les avantages d'utiliser le jeu de données Tiger-Pose pour l'estimation de pose ?#

Avec un total de 263 images (210 pour l'entraînement / 53 pour la validation), 1 classe, 12 points clés par instance et un téléchargement d'environ 49,8 Mo, Tiger-Pose est suffisamment petit pour être géré rapidement tout en étant assez diversifié pour vérifier la cohérence de ton pipeline d'entraînement de pose et identifier les erreurs avant de travailler avec des jeux de données plus volumineux.

Contributeurs
GLglenn-jocher20RAraimbekovm3HIhim2him21MAMatthewNoyce1RIRizwanMunawar1JKjk4e1LUlunarifish1

Commentaires