Vai al contenuto

Dataset Tiger-Pose

Introduzione

Ultralytics introduce il dataset Tiger-Pose, una collezione versatile progettata per attività di stima della posa. Questo dataset comprende 263 immagini provenienti da un Video di YouTube, con 210 immagini allocate per il training e 53 per la validation. Serve come un'eccellente risorsa per testare e risolvere i problemi degli algoritmi di stima della posa.

Nonostante le sue dimensioni contenute di 210 immagini, il dataset Tiger-Pose offre diversità, rendendolo adatto per valutare le pipeline di training, identificare potenziali errori e fungere da prezioso passo preliminare prima di lavorare con dataset più grandi per la stima della posa.

Questo dataset è destinato all'uso con Ultralytics HUB e YOLO11.



Guarda: Addestra il modello di posa YOLO11 sul set di dati Tiger-Pose utilizzando Ultralytics HUB

YAML del set di dati

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

ultralytics/cfg/datasets/tiger-pose.yaml

# 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

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

Utilizzo

Per addestrare un modello YOLO11n-pose sul dataset Tiger-Pose per 100 epoche con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina Training del modello.

Esempio di addestramento

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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

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

Immagine di esempio del set di dati

  • Immagine mosaicata: questa immagine mostra un batch di addestramento composto da immagini del dataset mosaicato. Il mosaicing 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 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 mosaicing durante il processo di training.

Esempio di inferenza

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)
# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Citazioni e ringraziamenti

Il dataset è stato rilasciato con la licenza AGPL-3.0.

FAQ

A cosa serve il dataset Ultralytics Tiger-Pose?

Il dataset Tiger-Pose di Ultralytics è progettato per attività di stima della posa, costituito da 263 immagini provenienti da un video di YouTube. Il dataset è diviso in 210 immagini di addestramento e 53 immagini di convalida. È particolarmente utile per testare, addestrare e perfezionare gli algoritmi di stima della posa utilizzando Ultralytics HUB e YOLO11.

Come posso addestrare un modello YOLO11 sul dataset Tiger-Pose?

Per addestrare un modello YOLO11n-pose sul dataset Tiger-Pose per 100 epoche con una dimensione dell'immagine di 640, utilizza i seguenti frammenti di codice. Per maggiori dettagli, visita la pagina Training:

Esempio di addestramento

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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Quali configurazioni include il tiger-pose.yaml file include?

Il tiger-pose.yaml Il file viene utilizzato per specificare i dettagli di configurazione del dataset Tiger-Pose. Include dati cruciali come i percorsi dei file e le definizioni delle classi. Per visualizzare la configurazione esatta, puoi consultare il File di configurazione del dataset Ultralytics Tiger-Pose.

Come posso eseguire l'inferenza utilizzando un modello YOLO11 addestrato sul set di dati Tiger-Pose?

Per eseguire l'inferenza utilizzando un modello YOLO11 addestrato sul set di dati Tiger-Pose, è possibile utilizzare i seguenti frammenti di codice. Per una guida dettagliata, visitare la pagina Prediction:

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)
# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Quali sono i vantaggi dell'utilizzo del set di dati Tiger-Pose per la stima della posa?

Il dataset Tiger-Pose, nonostante le sue dimensioni gestibili di 210 immagini per l'addestramento, fornisce una collezione diversificata di immagini ideali per testare le pipeline di stima della posa. Il dataset aiuta a identificare potenziali errori e funge da fase preliminare prima di lavorare con dataset più grandi. Inoltre, il dataset supporta l'addestramento e il perfezionamento degli algoritmi di stima della posa utilizzando strumenti avanzati come Ultralytics HUB e YOLO11, migliorando le prestazioni e l'accuratezza.



📅 Creato 1 anno fa ✏️ Aggiornato 5 mesi fa

Commenti