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 provenant d'une vidéo YouTube, dont 210 images sont destinées à l'entraînement et 53 à la validation. Il constitue une excellente ressource pour tester et dépanner les algorithmes d'estimation de pose.

Malgré sa partition d'entraînement limitée à 210 images, le jeu de données Tiger-Pose offre une certaine diversité, ce qui le rend adapté à l'évaluation des pipelines d'entraînement, à l'identification d'erreurs potentielles et à une première étape utile 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 les points clés d'animaux ou d'objets par les tiens et augmente l'échelle de l'entraînement sur Ultralytics Platform sans quitter le navigateur.

Structure du jeu de données#

• Images totales : 263 (210 train / 53 val).
• Points clés : 12 par tigre (sans indicateur de visibilité).
• Taille du téléchargement : ~49,8 Mo.
• Structure des répertoires : points clés au format YOLO stockés sous labels/{train,val}, avec les répertoires images/{train,val} à côté.

YAML du jeu de données#

Un fichier YAML permet de spécifier les détails de configuration d'un jeu de données. Il contient des informations essentielles telles que les chemins des fichiers, les définitions des 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 la 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 d’annotations#

Voici quelques exemples d'images du jeu de données Tiger-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 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 checkpoint 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#