Conjunto de dados Tiger-Pose#

262

Tiger Pose

ultralytics

publicPose

Tiger pose-estimation dataset with 262 unique 1280x720 video frames across 209 train and 53 validation images, all labeled with one tiger instance and 12 two-dimensional keypoints. One byte-identical duplicate frame with a redundant near-identical label was excluded. Ultralytics pose annotations are distributed with source frames derived from the attributed YouTube tiger video.

1 class44 MBAug 21, 2026

tiger

tigerswildlifepose-estimation+1

Introdução#

Ultralytics apresenta o Tiger-Pose dataset, uma coleção versátil concebida para tarefas de estimativa de pose. Este conjunto de dados é composto por 263 imagens provenientes de um YouTube video, com 210 imagens alocadas para treino e 53 para validação. Serve como um excelente recurso para testar e resolver problemas em algoritmos de estimativa de pose.

Apesar da sua divisão de treino gerível de 210 imagens, o Tiger-Pose dataset 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 limpidamente neste pequeno conjunto, substitui-o pelos teus próprios pontos-chave de animais ou objetos e aumenta a escala do treino na Ultralytics Platform sem sair do browser.

Estrutura do Dataset#

• Total de imagens: 263 (210 treino / 53 val).
• Keypoints: 12 por tigre (sem flag de visibilidade).
• Tamanho do download: ~49.8 MB.
• Directory layout: Pontos-chave no formato YOLO armazenados em labels/{train,val} juntamente com os diretórios images/{train,val}.

YAML do Dataset#

Um ficheiro YAML serve como o meio para especificar os detalhes de configuração de um conjunto de dados. Abrange dados cruciais como caminhos de ficheiros, definições de classes e outra informação pertinente. Especificamente, para o ficheiro tiger-pose.yaml, podes consultar 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

Uso#

Para treinar um modelo YOLO26n-pose no Tiger-Pose dataset durante 100 epochs com um tamanho de imagem de 640, podes usar os seguintes troços de código. Para uma lista abrangente de argumentos disponíveis, consulta a página de Training 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)

Exemplos 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.

Exemplo de Inferência#

Após o treino, carrega o teu melhor ponto de verificação e executa a inferência em novas imagens ou vídeo — consulta a página de 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/Gc6K5eKrTNQ", show=True)

Citações e Agradecimentos#

A Ultralytics publica as anotações do Tiger-Pose dataset sob a AGPL-3.0 License. O vídeo de origem permanece sujeito aos seus original terms, os quais devem ser revistos antes de usar ou redistribuir fotogramas extraídos.

FAQ#