Dataset Tiger-Pose

Introduzione

Ultralytics presenta il dataset Tiger-Pose, una raccolta versatile progettata per attività di pose estimation. Questo dataset comprende 263 immagini provenienti da un video di YouTube, con 210 immagini destinate all'addestramento e 53 alla validazione. Rappresenta un'eccellente risorsa per testare e risolvere problemi di algoritmi di pose estimation.

Nonostante il suo split di addestramento gestibile di 210 immagini, il dataset Tiger-Pose offre diversità, rendendolo adatto per valutare le pipeline di addestramento, identificare potenziali errori e fungere da prezioso passaggio preliminare prima di lavorare con dataset più ampi per la pose estimation.

Questo dataset è inteso per l'uso con Ultralytics Platform e YOLO26.

Struttura del dataset

• Immagini totali: 263 (210 train / 53 val).
• Keypoints: 12 per tigre (nessun flag di visibilità).
• Layout della directory: keypoint in formato YOLO memorizzati in labels/{train,val} insieme alle directory images/{train,val}.

YAML del dataset

Un file YAML (Yet Another Markup Language) funge da mezzo per specificare i dettagli di configurazione di un dataset. Include dati cruciali come percorsi dei file, definizioni delle classi e altre informazioni pertinenti. Nello specifico, per il file tiger-pose.yaml, puoi consultare il File di configurazione del dataset Tiger-Pose di Ultralytics.

# 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

Utilizzo

Per addestrare un modello YOLO26n-pose sul dataset Tiger-Pose per 100 epochs con una dimensione immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, fai riferimento alla pagina Training del modello.

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)

Immagini campione e annotazioni

Ecco alcuni esempi di immagini dal dataset Tiger-Pose, insieme alle relative annotazioni:

• Immagine a mosaico: Questa immagine mostra un batch di addestramento composto da immagini del dataset a mosaico. Il mosaico 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 ogni batch di addestramento. Ciò aiuta a migliorare la capacità del modello di generalizzare a diverse dimensioni, proporzioni e contesti degli oggetti.

L'esempio mostra la varietà e la complessità delle immagini nel dataset Tiger-Pose e i vantaggi dell'utilizzo del mosaicing durante il processo di addestramento.

Esempio di inferenza

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)

Citazioni e ringraziamenti

Il dataset è stato rilasciato sotto Licenza AGPL-3.0.

FAQ

A cosa serve il dataset Tiger-Pose di Ultralytics?

Il dataset Tiger-Pose di Ultralytics è progettato per attività di pose estimation e consiste in 263 immagini provenienti da un video di YouTube. Il dataset è suddiviso in 210 immagini di addestramento e 53 immagini di validazione. È particolarmente utile per testare, addestrare e perfezionare algoritmi di pose estimation utilizzando Ultralytics Platform e YOLO26.

Come posso addestrare un modello YOLO26 sul dataset Tiger-Pose?

Per addestrare un modello YOLO26n-pose sul dataset Tiger-Pose per 100 epoche con una dimensione immagine di 640, utilizza i seguenti frammenti di codice. Per maggiori dettagli, visita la pagina Training:

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)

Quali configurazioni include il file tiger-pose.yaml?

Il file tiger-pose.yaml viene utilizzato per specificare i dettagli di configurazione del dataset Tiger-Pose. Include dati cruciali come percorsi dei file e definizioni delle classi. Per vedere la configurazione esatta, puoi dare un'occhiata al File di configurazione del dataset Tiger-Pose di Ultralytics.

Come posso eseguire l'inferenza utilizzando un modello YOLO26 addestrato sul dataset Tiger-Pose?

Per eseguire l'inferenza utilizzando un modello YOLO26 addestrato sul dataset Tiger-Pose, puoi utilizzare i seguenti frammenti di codice. Per una guida dettagliata, visita la pagina Prediction:

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)

Quali sono i vantaggi dell'utilizzo del dataset Tiger-Pose per la pose estimation?

Il dataset Tiger-Pose, nonostante le dimensioni gestibili di 210 immagini per l'addestramento, fornisce una raccolta diversificata di immagini ideali per testare le pipeline di pose estimation. Il dataset aiuta a identificare potenziali errori e funge da passaggio preliminare prima di lavorare con dataset più ampi. Inoltre, il dataset supporta l'addestramento e il perfezionamento di algoritmi di pose estimation utilizzando strumenti avanzati come Ultralytics Platform e YOLO26, migliorando le prestazioni del modello e l'accuratezza.