Set di dati sulla posa del cane

Introduzione

Il set di dati Ultralytics Dog-pose è un set di dati ampio e di alta qualità, appositamente studiato per la stima dei punti chiave dei cani. Con 6.773 immagini di addestramento e 1.703 immagini di test, questo dataset fornisce una solida base per l'addestramento di robusti modelli di stima della posa. Ogni immagine annotata comprende 24 keypoint con 3 dimensioni per keypoint (x, y, visibilità), il che lo rende una risorsa preziosa per la ricerca avanzata e lo sviluppo nella computer vision.

Questo set di dati è destinato all'utilizzo di Ultralytics HUB e di YOLO11.

Set di dati YAML

Un file YAML (Yet Another Markup Language) viene utilizzato per definire la configurazione del set di dati. Include percorsi, dettagli dei punti chiave e altre informazioni rilevanti. Nel caso del set di dati Dog-pose, il file dog-pose.yaml è disponibile all'indirizzo https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

# Ultralytics YOLO 🚀, AGPL-3.0 license
# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose/
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose  ← downloads here (337 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: ../datasets/dog-pose # dataset root dir
train: train # train images (relative to 'path') 6773 images
val: val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dog-pose.zip

Utilizzo

Per addestrare un modello YOLO11n-pose sul dataset Dog-pose per 100 epoche con una dimensione dell'immagine di 640, è possibile utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consultare la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo pose train data=dog-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

Ecco alcuni esempi di immagini tratte dal dataset Dog-pose, con le relative annotazioni:

• Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicate. La mosaicatura è una tecnica utilizzata durante l'addestramento che combina più immagini in un'unica immagine per aumentare la varietà di oggetti e scene all'interno di ciascun batch di addestramento. Ciò contribuisce a migliorare la capacità del modello di generalizzarsi a oggetti di dimensioni, rapporti di aspetto e contesti diversi.

L'esempio mostra la varietà e la complessità delle immagini del dataset Dog-pose e i vantaggi dell'uso della mosaicatura durante il processo di addestramento.

Citazioni e ringraziamenti

Se utilizzate il dataset Dog-pose nel vostro lavoro di ricerca o sviluppo, siete pregati di citare il seguente documento:

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

Desideriamo ringraziare il team di Stanford per aver creato e mantenuto questa preziosa risorsa per la comunità della computer vision. Per ulteriori informazioni sul dataset Dog-pose e sui suoi creatori, visitare il sito web Stanford Dogs Dataset.

FAQ

Che cos'è il dataset Dog-pose e come si usa con Ultralytics YOLO11 ?

Il dataset Dog-Pose contiene 6.000 immagini annotate con 17 punti chiave per la stima della posa del cane. Ideale per l'addestramento e la validazione di modelli con Ultralytics YOLO11, supporta applicazioni come l'analisi del comportamento animale e gli studi veterinari.

Come si addestra un modello YOLO11 utilizzando il dataset Dog-pose in Ultralytics?

Per addestrare un modello YOLO11n-pose sul dataset Dog-pose per 100 epoche con un'immagine di 640, seguire questi esempi:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

yolo pose train data=dog-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Per un elenco completo degli argomenti di formazione, consultare la pagina Formazione del modello.

Quali sono i vantaggi dell'utilizzo del dataset Dog-pose?

Il set di dati Dog-pose offre diversi vantaggi:

Un set di dati ampio e diversificato: Con 6.000 immagini, fornisce una notevole quantità di dati che coprono un'ampia gamma di pose, razze e contesti di cani, consentendo una solida formazione e valutazione dei modelli.

Annotazioni specifiche per la posa: Offre annotazioni dettagliate per la stima della posa, garantendo dati di alta qualità per l'addestramento dei modelli di rilevamento della posa.

Scenari del mondo reale: Include immagini provenienti da ambienti diversi, migliorando la capacità del modello di generalizzarsi alle applicazioni del mondo reale.

Miglioramento delle prestazioni del modello: La diversità e la scala del set di dati contribuiscono a migliorare l'accuratezza e la robustezza del modello, in particolare per le attività di stima della posa a grana fine.

Per ulteriori informazioni sulle sue caratteristiche e sul suo utilizzo, consultare la sezione Introduzione al dataset.

In che modo la mosaicatura può giovare al processo di addestramento di YOLO11 utilizzando il dataset Dog-pose?

La mosaicatura, come illustrato nelle immagini campione del set di dati Dog-pose, fonde più immagini in un unico composito, arricchendo la diversità di oggetti e scene in ogni gruppo di addestramento. Questo approccio migliora la capacità del modello di generalizzare tra oggetti di dimensioni, rapporti di aspetto e contesti diversi, migliorando le prestazioni. Per immagini di esempio, consultare la sezione Immagini di esempio e annotazioni.

Dove posso trovare il file YAML del dataset Dog-pose e come posso utilizzarlo?

Il file YAML del dataset Dog-pose si trova qui. Questo file definisce la configurazione del dataset, compresi i percorsi, le classi e altre informazioni rilevanti. Utilizzare questo file con gli script di addestramento di YOLO11 , come indicato nella sezione Esempio di addestramento.

Per ulteriori FAQ e documentazione dettagliata, visitate la Documentazione di Ultralytics .

📅 Created 23 days ago ✏️ Updated 23 days ago

Commenti