Conjunto de dados Tiger-Pose#

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

Introdução#

A Ultralytics apresenta o conjunto de dados Tiger-Pose, uma coleção versátil desenvolvida para tarefas de estimativa de pose. Este conjunto de dados contém 263 imagens provenientes de um vídeo do YouTube, com 210 imagens destinadas ao treinamento e 53 à validação. É um excelente recurso para testar e solucionar problemas em algoritmos de estimativa de pose.

Apesar de sua divisão de treinamento gerenciável, com 210 imagens, o conjunto de dados Tiger-Pose oferece diversidade, sendo adequado para avaliar pipelines de treinamento, identificar possíveis erros e servir como uma etapa preliminar valiosa antes de trabalhar com conjuntos de dados maiores para estimativa de pose.

Depois que seu pipeline treinar sem erros nesse conjunto pequeno, substitua os pontos-chave pelos do seu próprio animal ou objeto e amplie o treinamento na Ultralytics Platform sem sair do navegador.

Estrutura do Conjunto de Dados#

• Total de imagens: 263 (210 treinamento / 53 validação).
• Pontos-chave: 12 por tigre (sem sinalizador de visibilidade).
• Tamanho do download: ~49.8 MB.
• Estrutura de diretórios: pontos-chave no formato YOLO armazenados em labels/{train,val}, junto aos diretórios images/{train,val}.

YAML do Conjunto de Dados#

Um arquivo YAML serve para especificar os detalhes de configuração de um conjunto de dados. Ele inclui dados essenciais, como caminhos de arquivos, definições de classes e outras informações pertinentes. Especificamente, para o arquivo tiger-pose.yaml, consulte o Arquivo de configuração do conjunto de dados Tiger-Pose da Ultralytics.

# 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

Utilização#

Para treinar um modelo YOLO26n-pose no conjunto de dados Tiger-Pose por 100 épocas, com um tamanho de imagem de 640, você pode usar os trechos de código a seguir. Para obter uma lista completa dos argumentos disponíveis, consulte a página de Treinamento 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)

Imagens de exemplo e anotações#

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

• 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 no conjunto de dados Tiger-Pose, além dos benefícios de usar a composição em mosaico durante o processo de treinamento.

Exemplo de inferência#

Após o treinamento, carregue seu melhor checkpoint e execute a inferência em novas imagens ou vídeos — consulte a página de Predição 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 disponibiliza as anotações do conjunto de dados Tiger-Pose sob a Licença AGPL-3.0. O vídeo original continua sujeito aos seus termos originais, que devem ser consultados antes de usar ou redistribuir os frames extraídos.

Perguntas frequentes#