Link to this sectionНабор данных COCO-Pose#

Набор данных COCO-Pose — это специализированная версия набора данных COCO (Common Objects in Context), предназначенная для задач оценки позы. Он использует изображения и разметку COCO Keypoints 2017, что позволяет обучать модели, такие как YOLO, для решения задач оценки позы.

Link to this sectionПредобученные модели COCO-Pose#

Link to this sectionКлючевые особенности#

• COCO-Pose базируется на наборе данных COCO Keypoints 2017, который содержит 200 тысяч изображений, размеченных ключевыми точками для задач оценки позы.
• Набор данных поддерживает 17 ключевых точек для человеческих фигур, что способствует детальной оценке позы.
• Как и COCO, он предоставляет стандартизированные метрики оценки, включая сходство ключевых точек объекта (OKS) для задач оценки позы, что делает его подходящим для сравнения производительности моделей.

Link to this sectionСтруктура набора данных#

Набор данных COCO-Pose разделен на три подмножества:

1. Train2017: Это подмножество содержит 56 599 изображений из набора данных COCO, аннотированных для обучения моделей оценки позы.
2. Val2017: Это подмножество содержит 2346 изображений, используемых для проверки во время обучения модели.
3. Test2017: Этот поднабор состоит из изображений, используемых для тестирования и оценки обученных моделей. Разметка ground truth для этого поднабора не является общедоступной, а результаты отправляются на COCO evaluation server для оценки производительности.

Link to this sectionПрименение#

Набор данных COCO-Pose специально используется для обучения и оценки моделей глубинного обучения в задачах обнаружения ключевых точек и оценки позы, таких как OpenPose. Большое количество аннотированных изображений и стандартизированные метрики оценки делают его важным ресурсом для исследователей и практиков в области компьютерного зрения, занимающихся оценкой позы.

Link to this sectionYAML набора данных#

Файл YAML (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит информацию о путях к данным, классах и другую соответствующую информацию. В случае с набором данных COCO-Pose файл coco-pose.yaml поддерживается по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/coco-pose.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO 2017 Keypoints dataset https://cocodataset.org by Microsoft
# Documentation: https://docs.ultralytics.com/datasets/pose/coco/
# Example usage: yolo train data=coco-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco-pose ← downloads here (20.1 GB)

# 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: coco-pose # dataset root dir
train: train2017.txt # train images (relative to 'path') 56599 images
val: val2017.txt # val images (relative to 'path') 2346 images
test: test-dev2017.txt # 20288 of 40670 images, submit to https://codalab.lisn.upsaclay.fr/competitions/7403

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: |
  from pathlib import Path

  from ultralytics.utils import ASSETS_URL
  from ultralytics.utils.downloads import download

  # Download labels
  dir = Path(yaml["path"])  # dataset root dir

  urls = [f"{ASSETS_URL}/coco2017labels-pose.zip"]
  download(urls, dir=dir.parent)
  # Download data
  urls = [
      "http://images.cocodataset.org/zips/train2017.zip",  # 19G, 118k images
      "http://images.cocodataset.org/zips/val2017.zip",  # 1G, 5k images
      "http://images.cocodataset.org/zips/test2017.zip",  # 7G, 41k images (optional)
  ]
  download(urls, dir=dir / "images", threads=3)

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-pose на наборе данных COCO-Pose в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратись к странице обучения.

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="coco-pose.yaml", epochs=100, imgsz=640)

Link to this sectionПримеры изображений и аннотации#

Набор данных COCO-Pose содержит разнообразный набор изображений с человеческими фигурами, аннотированными ключевыми точками. Вот несколько примеров изображений из этого набора данных вместе с соответствующими аннотациями:

• Мозаичное изображение: это изображение демонстрирует обучающий пакет, составленный из мозаично собранных изображений. Мозаика — это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем пакете. Это помогает улучшить способность модели к обобщению при работе с объектами различных размеров, соотношений сторон и контекстов.

Пример демонстрирует разнообразие и сложность изображений в наборе данных COCO-Pose, а также преимущества использования мозаики в процессе обучения.

Link to this sectionЦитирование и благодарности#

Если ты используешь набор данных COCO-Pose в своих исследованиях или разработках, пожалуйста, сошлися на следующую статью:

@misc{lin2015microsoft,
      title={Microsoft COCO: Common Objects in Context},
      author={Tsung-Yi Lin and Michael Maire and Serge Belongie and Lubomir Bourdev and Ross Girshick and James Hays and Pietro Perona and Deva Ramanan and C. Lawrence Zitnick and Piotr Dollár},
      year={2015},
      eprint={1405.0312},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

Мы хотели бы выразить признательность консорциуму COCO за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных COCO-Pose и его создателях посети веб-сайт набора данных COCO.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных COCO-Pose и как он используется с Ultralytics YOLO для оценки позы?#

Набор данных COCO-Pose — это специализированная версия набора данных COCO (Common Objects in Context), предназначенная для задач оценки позы. Он базируется на изображениях и аннотациях COCO Keypoints 2017, что позволяет обучать такие модели, как Ultralytics YOLO, для детальной оценки позы. Например, ты можешь использовать набор данных COCO-Pose для обучения модели YOLO26n-pose, загрузив предобученную модель и обучив ее с помощью конфигурации YAML. Примеры обучения см. в документации по обучению.

Link to this sectionКак мне обучить модель YOLO26 на наборе данных COCO-Pose?#

Обучение модели YOLO26 на наборе данных COCO-Pose может быть выполнено с использованием Python или команд CLI. Например, чтобы обучить модель YOLO26n-pose в течение 100 эпох с размером изображения 640, ты можешь выполнить следующие шаги:

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="coco-pose.yaml", epochs=100, imgsz=640)

Для получения более подробной информации о процессе обучения и доступных аргументах ознакомься со страницей обучения.

Link to this sectionКакие существуют метрики, предоставляемые набором данных COCO-Pose для оценки производительности модели?#

Набор данных COCO-Pose предоставляет несколько стандартизированных метрик оценки для задач оценки позы, аналогично исходному набору данных COCO. Ключевые метрики включают сходство ключевых точек объекта (OKS), которое оценивает точность предсказанных ключевых точек относительно аннотаций ground truth. Эти метрики позволяют проводить тщательное сравнение производительности между различными моделями. Например, предобученные модели COCO-Pose, такие как YOLO26n-pose, YOLO26s-pose и другие, имеют специфические метрики производительности, указанные в документации, такие как mAP^pose50-95 и mAP^pose50.

Link to this sectionКак структурирован и разделен набор данных COCO-Pose?#

Набор данных COCO-Pose разделен на три подмножества:

1. Train2017: Содержит 56 599 изображений COCO, аннотированных для обучения моделей оценки позы.
2. Val2017: 2346 изображений для целей валидации во время обучения модели.
3. Test2017: Изображения, используемые для тестирования и оценки обученных моделей. Разметка ground truth для этого поднабора не является общедоступной; результаты отправляются на COCO evaluation server для оценки производительности.

Эти подмножества помогают эффективно организовать этапы обучения, валидации и тестирования. Для получения подробной информации о конфигурации изучи файл coco-pose.yaml, доступный на GitHub.

Link to this sectionКаковы ключевые особенности и области применения набора данных COCO-Pose?#

Набор данных COCO-Pose расширяет аннотации COCO Keypoints 2017, включая 17 ключевых точек для человеческих фигур, что позволяет детально оценивать позу. Стандартизированные метрики оценки (например, OKS) облегчают сравнение различных моделей. Области применения набора данных COCO-Pose охватывают различные сферы, такие как спортивная аналитика, здравоохранение и взаимодействие человека с компьютером — везде, где требуется детальная оценка позы человеческих фигур. Для практического использования применение предобученных моделей, подобных тем, что представлены в документации (например, YOLO26n-pose), может значительно упростить процесс (Ключевые особенности).

Если ты используешь набор данных COCO-Pose в своих исследованиях или разработках, пожалуйста, сошлися на статью с помощью следующей записи BibTeX.