Set di dati Tiger-Pose

Introduzione

Ultralytics presenta il set di dati Tiger-Pose, una raccolta versatile progettata per le attività di stima della posa. Questo set di dati comprende 263 immagini provenienti da un video di YouTube, di cui 210 per la formazione e 53 per la validazione. Si tratta di una risorsa eccellente per testare e risolvere i problemi degli algoritmi di stima della posa.

Nonostante le sue dimensioni maneggevoli di 210 immagini, il dataset tiger-pose offre una diversità che lo rende adatto a valutare le pipeline di addestramento, a identificare potenziali errori e a fungere da prezioso passo preliminare prima di lavorare con dataset più grandi per la stima della posa.

Questo set di dati è destinato all'utilizzo di Ultralytics HUB e di YOLOv8.

Guarda: Addestrare il modello di posa YOLOv8 sul dataset Tiger-Pose utilizzando Ultralytics HUB

Set di dati YAML

Un file YAML (Yet Another Markup Language) serve a specificare i dettagli di configurazione di un set di dati. Comprende dati fondamentali come i percorsi dei file, le definizioni delle classi e altre informazioni pertinenti. In particolare, per il file tiger-pose.yaml è possibile controllare Ultralytics File di configurazione del set di dati Tiger-Pose.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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://ultralytics.com/assets/tiger-pose.zip

Utilizzo

Per addestrare un modello YOLOv8n-pose sul dataset Tiger-Pose per 100 epoch con una dimensione dell'immagine di 640, puoi utilizzare i seguenti frammenti di codice. Per un elenco completo degli argomenti disponibili, consulta la pagina di addestramento del modello.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n.pt epochs=100 imgsz=640

Immagini di esempio e annotazioni

Ecco alcuni esempi di immagini tratte dal dataset Tiger-Pose, con le relative annotazioni:

• Immagine a mosaico: Questa immagine mostra un lotto di formazione composto da immagini del dataset mosaicate. 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 gruppo di addestramento. Questo aiuta 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 Tiger-Pose e i vantaggi dell'utilizzo della mosaicatura durante il processo di formazione.

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://www.youtube.com/watch?v=MIBAT6BGE6U&pp=ygUYdGlnZXIgd2Fsa2luZyByZWZlcmVuY2Ug" show=True)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://www.youtube.com/watch?v=MIBAT6BGE6U&pp=ygUYdGlnZXIgd2Fsa2luZyByZWZlcmVuY2Ug" show=True model="path/to/best.pt"

Citazioni e ringraziamenti

Il set di dati è stato rilasciato con la licenzaAGPL-3.0 .

Commenti