Conjunto de dados Dog-Pose#

8,449

Dog Pose

ultralytics

publicPose

Dog Pose builds on Stanford Dogs and ImageNet imagery, labeling one dog per image with 24 three-dimensional keypoints and visibility. It supports articulated animal pose estimation across breeds, body shapes, viewpoints, actions, occlusion, and image backgrounds.

1 class480.7 MBSep 2, 2026

dog

dogsanimalspose-estimation+1

Introdução#

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

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

Para uma raça específica ou para um animal completamente diferente, a Ultralytics Platform permite carregar dados, fazer a sua anotação e treinar um modelo de pontos-chave personalizado com os teus próprios dados, sem precisares de gerir a infraestrutura.

Estrutura do Conjunto de Dados#

• Total de imagens: 8.476 (6.773 treino / 1.703 validação) com ficheiros de etiquetas no formato YOLO correspondentes.

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

• Tamanho do download: ~337 MB.

• Estrutura:

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

YAML do Conjunto de Dados#

É utilizado um ficheiro YAML para definir a configuração do conjunto de dados. Este inclui caminhos, detalhes dos 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

Utilização#

Para treinares um modelo YOLO26n-pose no conjunto de dados Dog-Pose durante 100 épocas com um tamanho de imagem de 640, podes utilizar os seguintes fragmentos de código. Para obteres uma lista completa dos 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)

Imagens de exemplo e anotações#

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

• Imagem em mosaico: esta imagem demonstra um lote de treino composto por imagens do dataset combinadas em mosaico. A combinação em mosaico é uma técnica utilizada durante o treino que combina várias imagens numa única imagem para aumentar a variedade de objetos e cenas em cada lote de treino. Isto ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

O exemplo demonstra a variedade e a complexidade das imagens do conjunto de dados Dog-Pose, bem como os benefícios da utilização de mosaicos durante o processo de treino.

Citações e agradecimentos#

Se utilizares o conjunto de dados Dog-Pose no teu trabalho de investigação ou desenvolvimento, cita 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 obteres mais informações sobre o conjunto de dados Dog-Pose e os seus criadores, visita o site do Stanford Dogs Dataset.

Perguntas frequentes#