Dataset 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

Introduzione#

Ultralytics presenta il dataset Tiger-Pose, una raccolta versatile progettata per le attività di stima della posa. Questo dataset comprende 263 immagini tratte da un video di YouTube, di cui 210 immagini destinate all'addestramento e 53 alla validazione. È una risorsa eccellente per testare e risolvere i problemi degli algoritmi di stima della posa.

Nonostante la suddivisione per l'addestramento, gestibile con 210 immagini, il dataset Tiger-Pose offre una buona varietà, risultando adatto per valutare le pipeline di addestramento, identificare potenziali errori e fungere da valido passaggio preliminare prima di lavorare con dataset più grandi per la stima della posa.

Quando la tua pipeline si addestra correttamente su questo piccolo insieme, sostituisci i keypoint dei tuoi animali o oggetti e aumenta la scala dell'addestramento su Ultralytics Platform senza uscire dal browser.

Struttura del dataset#

• Immagini totali: 263 (210 train / 53 val).
• Keypoint: 12 per tigre (senza flag di visibilità).
• Dimensione del download: ~49.8 MB.
• Struttura delle directory: keypoint in formato YOLO archiviati in labels/{train,val}, insieme alle directory images/{train,val}.

YAML del dataset#

Un file YAML consente di specificare i dettagli di configurazione di un dataset. Include dati fondamentali come i percorsi dei file, le definizioni delle classi e altre informazioni pertinenti. In particolare, 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 epoche con una dimensione delle immagini di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Addestramento 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 ed esempi di annotazioni#

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

• Immagine a mosaico: questa immagine mostra un batch di addestramento composto da immagini del dataset unite a mosaico. La composizione a 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. Questo contribuisce a migliorare la capacità del modello di generalizzare a diverse dimensioni degli oggetti, proporzioni e contesti.

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

Esempio di inferenza#

Dopo l'addestramento, carica il tuo checkpoint migliore ed esegui l'inferenza su nuove immagini o video — consulta la pagina Predizione per l'elenco completo degli argomenti.

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)

Citazioni e ringraziamenti#

Ultralytics rilascia le annotazioni del dataset Tiger-Pose secondo la Licenza AGPL-3.0. Il video sorgente rimane soggetto ai suoi termini originali, che devono essere consultati prima di utilizzare o ridistribuire i fotogrammi estratti.

FAQ#