Tiger-Pose 데이터셋#

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

소개#

Ultralytics는 포즈 추정 작업을 위해 설계된 다목적 컬렉션인 Tiger-Pose 데이터셋을 소개합니다. 이 데이터셋은 YouTube 동영상에서 가져온 263개의 이미지로 구성되며, 이 중 210개는 학습용으로, 53개는 검증용으로 할당되었습니다. 포즈 추정 알고리즘을 테스트하고 문제를 해결하는 데 매우 유용한 리소스입니다.

Tiger-Pose 데이터셋은 210개의 관리 가능한 학습 이미지로 구성되어 있지만 다양성을 제공하므로 학습 파이프라인을 평가하고 잠재적인 오류를 식별하는 데 적합하며, 대규모 포즈 추정 데이터셋을 사용하기 전에 수행하는 유용한 예비 단계로 활용할 수 있습니다.

이 작은 데이터셋에서 파이프라인이 오류 없이 학습되면 자체 동물 또는 객체 keypoint로 교체하고, 브라우저를 벗어나지 않고 Ultralytics Platform에서 학습 규모를 확장할 수 있습니다.

데이터셋 구조#

• 전체 이미지 수: 263개(학습 210개 / 검증 53개).
• Keypoint: 호랑이당 12개(visibility flag 없음).
• 다운로드 크기: ~49.8MB.
• 디렉터리 구조: YOLO 형식의 keypoint가 labels/{train,val} 아래에 images/{train,val} 디렉터리와 함께 저장됩니다.

데이터셋 YAML#

YAML 파일은 데이터셋의 구성 세부 정보를 지정하는 수단으로 사용됩니다. 여기에는 파일 경로, 클래스 정의 및 기타 관련 정보와 같은 중요한 데이터가 포함됩니다. 특히 tiger-pose.yaml 파일의 경우 Ultralytics Tiger-Pose 데이터셋 구성 파일에서 확인할 수 있습니다.

# 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

사용법#

이미지 크기 640으로 Tiger-Pose 데이터셋에서 YOLO26n-pose 모델을 100개의 epoch 동안 학습하려면 다음 코드 조각을 사용할 수 있습니다. 사용 가능한 인자의 전체 목록은 모델 학습 페이지를 참조하세요.

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)

샘플 이미지 및 주석#

다음은 Tiger-Pose 데이터셋의 일부 이미지와 해당 annotation 예시입니다.

• 모자이크 처리된 이미지: 이 이미지는 모자이크 처리된 데이터셋 이미지로 구성된 학습 배치를 보여줍니다. 모자이크 처리는 학습 중 여러 이미지를 하나의 이미지로 결합하여 각 학습 배치에 포함되는 객체와 장면의 다양성을 높이는 기법입니다. 이를 통해 다양한 객체 크기, 종횡비 및 컨텍스트에 대한 모델의 일반화 성능을 향상할 수 있습니다.

이 예시는 Tiger-Pose 데이터셋 이미지의 다양성과 복잡성, 그리고 학습 과정에서 모자이크 기법을 사용할 때의 이점을 보여줍니다.

추론 예제#

학습 후 최상의 checkpoint를 로드하고 새 이미지 또는 동영상에서 inference를 실행하세요. 전체 인자 목록은 Prediction 페이지를 참조하세요.

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)

인용 및 감사의 글#

Ultralytics는 AGPL-3.0 라이선스에 따라 Tiger-Pose 데이터셋 annotation을 공개합니다. 소스 동영상에는 원래 약관이 계속 적용되므로, 추출한 프레임을 사용하거나 재배포하기 전에 해당 약관을 검토해야 합니다.

FAQ#