Jeu de données Tiger-Pose#

262

Tiger Pose

ultralytics

publicPose

Tiger Pose contains 1280 x 720 video frames derived from an attributed YouTube tiger video. Each labeled animal has 12 two-dimensional keypoints, supporting articulated pose estimation across walking, standing, body orientation, limb movement, and partial occlusion.

1 class44 MBSep 2, 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 extraites d’une vidéo YouTube, dont 210 sont destinées à l’entraînement et 53 à la validation. C’est une excellente ressource pour tester et dépanner des algorithmes d’estimation de pose.

Malgré son ensemble d’entraînement raisonnable de 210 images, le jeu de données Tiger-Pose offre une diversité qui le rend adapté à l’évaluation des pipelines d’entraînement, à l’identification d’erreurs potentielles et constitue une 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 correctement sur ce petit ensemble, remplace ses données 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 pour l’entraînement / 53 pour la validation).
• Points clés : 12 par tigre (sans indicateur de visibilité).
• Taille du téléchargement : ~49,8 Mo.
• Arborescence : points clés au format YOLO stockés dans labels/{train,val}, à côté des répertoires images/{train,val}.

Fichier YAML du jeu de données#

Un fichier YAML permet de définir les détails de configuration d’un jeu de données. Il regroupe des données essentielles, telles que les chemins d’accès aux fichiers, les définitions des classes et d’autres informations pertinentes. Pour le fichier tiger-pose.yaml, consulte 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 la liste complète des arguments disponibles, consulte 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="tiger-pose.yaml", epochs=100, imgsz=640)

Exemples d’images et annotations#

Voici quelques exemples d’images du jeu de données Tiger-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.

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

Exemple d’inférence#

Après l’entraînement, charge ton meilleur checkpoint et lance l’inférence sur de nouvelles images ou vidéos — consulte la page Prédiction pour obtenir la liste complète des arguments.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("path/to/best.pt")  # charger un modèle entraîné sur tiger-pose

# Exécuter l’inférence
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 vérifier avant d’utiliser ou de redistribuer les images extraites.

FAQ#