Dataset Tiger-Pose#

Introduzione#

Ultralytics introduce il dataset Tiger-Pose, una raccolta 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 validazione. Rappresenta una risorsa eccellente per testare e risolvere problemi relativi agli algoritmi di stima della posa.

Nonostante il suo set di training gestibile di 210 immagini, il dataset Tiger-Pose offre diversità, rendendolo adatto per valutare le pipeline di training, identificare potenziali errori e fungere da utile fase preliminare prima di lavorare con dataset più grandi per la stima della posa.

Una volta che la tua pipeline si addestra correttamente su questo piccolo set, inserisci i tuoi keypoint di animali o oggetti e scala il training su Ultralytics Platform senza lasciare il browser.

Struttura del dataset#

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

Dataset YAML#

Un file YAML serve 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 file tiger-pose.yaml, puoi controllare 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 dell'immagine pari a 640, puoi utilizzare i seguenti snippet 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)

Esempi di immagini e annotazioni#

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

• Immagine 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 mosaico durante il processo di addestramento.

Esempio di inferenza#

Dopo il training, carica il tuo checkpoint migliore ed esegui l'inferenza su nuove immagini o video; consulta la pagina Prediction 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 riconoscimenti#

Ultralytics rilascia le annotazioni del dataset Tiger-Pose sotto la [Licenza AGPL-3.0](https://ultralytics-translation-0.invalid. Il video di origine rimane soggetto ai suoi termini originali, che dovrebbero essere esaminati prima di utilizzare o ridistribuire i fotogrammi estratti.

FAQ#