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#

Ultralytics apresenta o conjunto de dados Tiger-Pose, uma coleção versátil criada para tarefas de estimativa de pose. Esse conjunto de dados contém 263 imagens obtidas de um vídeo do YouTube, das quais 210 são destinadas ao treinamento e 53 à validação. É um excelente recurso para testar e solucionar problemas de algoritmos de estimativa de pose.

Apesar de ter uma divisão de treinamento manejável de 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.

Quando seu pipeline treinar sem problemas com esse pequeno conjunto, substitua os pontos-chave por pontos-chave dos seus próprios animais ou objetos e amplie o treinamento na Plataforma Ultralytics sem sair do navegador.

Estrutura do conjunto de dados#

• Total de imagens: 263 (210 para treino / 53 para validação).
• Pontos-chave: 12 por tigre (sem indicador 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 permite especificar os detalhes de configuração de um conjunto de dados. Ele inclui dados essenciais, como caminhos de arquivos, definições de classes e outras informações relevantes. Especificamente, você pode consultar Arquivo de configuração do conjunto de dados Tiger-Pose da Ultralytics para ver o arquivo tiger-pose.yaml.

# 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 conjunto de dados Tiger-Pose por 100 épocas, com tamanho de imagem de 640, você pode usar os trechos de código a seguir. Para ver a lista completa de argumentos disponíveis, consulte a página de Treinamento do modelo.

from ultralytics import YOLO

# Carregar um modelo
model = YOLO("yolo26n-pose.pt")  # carregue um modelo pré-treinado (recomendado para treinamento)

# Treinar o modelo
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, junto com as respectivas anotações:

• Imagem em mosaico: esta imagem mostra um lote de treinamento composto por imagens do conjunto de dados organizadas em mosaico. A criação de mosaicos é uma técnica usada durante o treinamento que combina várias imagens numa só para aumentar a variedade de objetos e cenas em cada lote de treinamento. Isso ajuda a melhorar a capacidade do modelo de generalizar para diferentes tamanhos de objetos, proporções e contextos.

O exemplo mostra a variedade e a complexidade das imagens do conjunto de dados Tiger-Pose e os benefícios de usar mosaicos 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

# Carregar um modelo
model = YOLO("path/to/best.pt")  # carrega um modelo treinado com tiger-pose

# Executar inferência
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 de origem continua sujeito aos seus termos originais, que devem ser analisados antes de usar ou redistribuir os quadros extraídos.

Perguntas frequentes#