Link to this sectionConjunto de dados Tiger-Pose#

Link to this sectionIntrodução#

A Ultralytics apresenta o conjunto de dados Tiger-Pose, uma coleção versátil concebida para tarefas de estimativa de pose. Este conjunto de dados compreende 263 imagens provenientes de um vídeo do YouTube, com 210 imagens alocadas para treino e 53 para validação. Serve como um excelente recurso para testar e solucionar problemas de algoritmos de estimativa de pose.

Apesar da sua divisão de treino gerenciável de 210 imagens, o conjunto de dados Tiger-Pose oferece diversidade, tornando-o adequado para avaliar pipelines de treino, identificar potenciais erros e servir como um passo preliminar valioso antes de trabalhar com conjuntos de dados maiores para pose estimation.

Assim que o teu pipeline treinar corretamente neste pequeno conjunto, substitui pelos teus próprios pontos-chave de animais ou objetos e aumenta a escala do treino na Ultralytics Platform sem sair do navegador.

Link to this sectionEstrutura do Dataset#

• Total de imagens: 263 (210 treino / 53 val).
• Keypoints: 12 por tigre (sem flag de visibilidade).
• Tamanho do download: ~49.8 MB.
• Layout de diretório: Keypoints em formato YOLO armazenados em labels/{train,val} ao lado dos diretórios images/{train,val}.

Link to this sectionYAML do Dataset#

Um arquivo YAML serve como o meio para especificar os detalhes de configuração de um conjunto de dados. Ele engloba dados cruciais, como caminhos de arquivo, definições de classes e outras informações pertinentes. Especificamente, para o arquivo tiger-pose.yaml, você pode conferir o Ultralytics Tiger-Pose Dataset Configuration File.

# 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

Link to this sectionUso#

Para treinar um modelo YOLO26n-pose no conjunto de dados Tiger-Pose durante 100 épocas com um tamanho de imagem de 640, podes usar os seguintes trechos 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="tiger-pose.yaml", epochs=100, imgsz=640)

Link to this sectionExemplos de Imagens e Anotações#

Aqui estão alguns exemplos de imagens do conjunto de dados Tiger-Pose, juntamente com as 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 mostra a variedade e complexidade das imagens no conjunto de dados Tiger-Pose e os benefícios de usar mosaicação durante o processo de treino.

Link to this sectionExemplo de Inferência#

Após o treino, carrega o teu melhor checkpoint e executa a inferência em novas imagens ou vídeos — consulta a página Prediction para ver a lista completa de argumentos.

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/MIBAT6BGE6U", show=True)

Link to this sectionCitações e Agradecimentos#

A Ultralytics disponibiliza as anotações do dataset Tiger-Pose sob a AGPL-3.0 License. O vídeo de origem permanece sujeito aos seus termos originais, os quais devem ser revisados antes de usar ou redistribuir os quadros extraídos.

Link to this sectionFAQ#

Link to this sectionPara que serve o conjunto de dados Tiger-Pose da Ultralytics?#

O conjunto de dados Ultralytics Tiger-Pose foi concebido para tarefas de estimativa de pose, consistindo em 263 imagens provenientes de um vídeo do YouTube. O conjunto de dados está dividido em 210 imagens de treino e 53 imagens de validação, tornando-o adequado para testar, treinar e refinar algoritmos de estimativa de pose.

Link to this sectionComo treino um modelo YOLO26 no conjunto de dados Tiger-Pose?#

Carrega yolo26n-pose.pt e chama model.train(data="tiger-pose.yaml", epochs=100, imgsz=640) — consulta o Exemplo de Treino acima para ver os snippets completos de Python e CLI, e a página Training para uma lista abrangente de argumentos.

Link to this sectionQue configurações inclui o arquivo tiger-pose.yaml?#

O ficheiro tiger-pose.yaml define o caminho do conjunto de dados, diretórios de imagens de treino/validação, uma única classe (tiger) e kpt_shape: [12, 2] — 12 pontos-chave por instância sem flag de visibilidade. Consulta o Ficheiro de Configuração do Conjunto de Dados Ultralytics Tiger-Pose para a configuração exata.

Link to this sectionComo posso executar a inferência usando um modelo YOLO26 treinado no conjunto de dados Tiger-Pose?#

Carrega o teu checkpoint treinado (ex: path/to/best.pt) e chama model.predict(source=..., show=True) — consulta o Exemplo de Inferência acima para ver os snippets completos de Python e CLI, e a página Prediction para uma lista abrangente de argumentos.

Link to this sectionQuais são os benefícios de usar o conjunto de dados Tiger-Pose para estimativa de pose?#

Com um total de 263 imagens (210 de treino / 53 de validação), 1 classe, 12 pontos-chave por instância e um download de ~49.8 MB, o Tiger-Pose é pequeno o suficiente para gerir rapidamente, mas suficientemente diversificado para verificar a integridade de um pipeline de treino de pose e identificar erros antes de trabalhar com conjuntos de dados maiores.