Conjunto de Dados Dog-Pose#

8,449

Dog Pose

ultralytics

publicPose

Dog pose-estimation dataset with 8,449 unique images across 6,750 train and 1,699 validation images, all labeled with one dog instance and 24 three-dimensional keypoints including visibility. Twenty-seven exact duplicate images were removed; for conflicting duplicate annotations, the original label with the most visible keypoints was retained. Images originate from the Stanford Dogs/ImageNet collection and are restricted to research use.

1 class480.7 MBAug 21, 2026

dog

dogsanimalspose-estimation+1

Introdução#

O conjunto de dados Dog-Pose da Ultralytics é um conjunto de dados de alta qualidade e extensivo especificamente selecionado para a estimação de pontos-chave de cães, fornecendo 6.773 imagens de treino e 1.703 de validação.

Cada imagem anotada inclui 24 pontos-chave com 3 dimensões por ponto-chave (x, y, visibilidade), tornando-o um recurso valioso para pesquisa e desenvolvimento avançado em visão computacional.

Para uma raça específica ou um animal diferente, a Ultralytics Platform lida com o carregamento, rotulagem e treino de um modelo de pontos-chave personalizado com os teus próprios dados, sem gerires infraestruturas.

Estrutura do Dataset#

• Total de imagens: 8.476 (6.773 treino / 1.703 val) com arquivos de rótulo correspondentes no formato YOLO.

• Pontos-chave: 24 por cão com tripletos (x, y, visibility).

• Tamanho do download: ~337 MB.

• Layout:

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

YAML do Dataset#

Um ficheiro YAML é usado para definir a configuração do conjunto de dados. Inclui caminhos, detalhes de pontos-chave e outras informações relevantes. No caso do conjunto de dados Dog-Pose, o ficheiro dog-pose.yaml está disponível em https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

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

Uso#

Para treinar um modelo YOLO26n-pose no conjunto de dados Dog-Pose durante 100 épocas com um tamanho de imagem de 640, podes usar os seguintes blocos de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Treino do modelo.

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="dog-pose.yaml", epochs=100, imgsz=640)

Exemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados Dog-Pose, juntamente com suas anotações correspondentes:

• Imagem em Mosaico: Esta imagem demonstra um lote de treino composto por imagens do conjunto de dados em mosaico. A mosaicação é uma técnica usada durante o treino que combina múltiplas imagens numa única imagem para aumentar a variedade de objetos e cenas dentro de cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objeto, proporções e contextos.

O exemplo demonstra a variedade e a complexidade das imagens no conjunto de dados Dog-Pose e os benefícios de usar mosaico durante o processo de treinamento.

Citações e Agradecimentos#

Se você usar o conjunto de dados Dog-Pose em sua pesquisa ou trabalho de desenvolvimento, por favor, cite o seguinte artigo:

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

Gostaríamos de agradecer à equipa de Stanford por criar e manter este recurso valioso para a comunidade de visão computacional. Para mais informações sobre o conjunto de dados Dog-Pose e os seus criadores, visita o site do conjunto de dados Stanford Dogs.

FAQ#