Link to this sectionНабор данных Dog-Pose#

Link to this sectionВведение#

Набор данных Ultralytics Dog-Pose — это высококачественный и обширный набор данных, специально созданный для оценки ключевых точек у собак. Содержащий 6 773 обучающих и 1 703 тестовых изображения, этот набор данных служит надежной основой для обучения устойчивых моделей оценки позы.

Каждое аннотированное изображение включает 24 ключевые точки с 3 измерениями для каждой (x, y, видимость), что делает его ценным ресурсом для передовых исследований и разработок в области компьютерного зрения.

Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.

Link to this sectionСтруктура набора данных#

• Разделение: 6 773 обучающих / 1 703 валидационных изображения с соответствующими файлами меток в формате YOLO.

• Keypoints: 24 per dog with (x, y, visibility) triplets.

• Структура:

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

Link to this sectionYAML набора данных#

Для определения конфигурации набора данных используется файл YAML (Yet Another Markup Language). Он включает пути, детали ключевых точек и другую соответствующую информацию. В случае с набором данных Dog-pose файл dog-pose.yaml доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

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

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose/
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dog-pose.zip

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-pose на наборе данных Dog-pose в течение 100 эпох с размером изображения 640, воспользуйся следующими фрагментами кода. Полный список доступных аргументов см. на странице Обучения модели.

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

Link to this sectionПримеры изображений и аннотации#

Ниже приведены несколько примеров изображений из набора данных Dog-pose 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.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Dog-pose, а также преимущества использования мозаики в процессе обучения.

Link to this sectionЦитирование и благодарности#

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

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

Мы хотим выразить благодарность команде Стэнфорда за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных Dog-pose и его создателях посети сайт набора данных Stanford Dogs.

Link to this sectionFAQ#

Link to this sectionЧто такое набор данных Dog-pose и как он используется с Ultralytics YOLO26?#

Набор данных Dog-Pose содержит 6 773 обучающих и 1 703 тестовых изображения, аннотированных 24 ключевыми точками для оценки позы собак. Он предназначен для обучения и валидации моделей с помощью Ultralytics YOLO26 и поддерживает такие приложения, как анализ поведения животных, мониторинг домашних питомцев и ветеринарные исследования. Обширные аннотации набора данных делают его идеальным для разработки точных моделей оценки позы собак.

Link to this sectionКак обучить модель YOLO26, используя набор данных Dog-pose в Ultralytics?#

Чтобы обучить модель YOLO26n-pose на наборе данных Dog-pose в течение 100 эпох с размером изображения 640, следуй этим примерам:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

Полный список аргументов для обучения см. на странице Обучения модели.

Link to this sectionКаковы преимущества использования набора данных Dog-pose?#

Набор данных Dog-pose предлагает несколько преимуществ:

Большой и разнообразный набор данных: С более чем 8 400 изображениями он предоставляет существенный объем данных, охватывающий широкий спектр поз собак, пород и контекстов, что обеспечивает надежное обучение и оценку модели.

Подробные аннотации ключевых точек: Каждое изображение включает 24 ключевые точки с 3 измерениями для каждой (x, y, видимость), предлагая точные аннотации для обучения моделей точного определения позы.

Реальные сценарии: Включает изображения из разнообразных сред, что улучшает способность модели обобщать данные для реальных приложений, таких как мониторинг домашних питомцев и анализ поведения.

Преимущество трансферного обучения: Набор данных хорошо работает с методами трансферного обучения, позволяя моделям, предварительно обученным на наборах данных поз людей, адаптироваться к особенностям собак.

Дополнительную информацию о его функциях и использовании см. в разделе Введение в набор данных.

Link to this sectionКакую пользу приносит мозаика в процессе обучения YOLO26 с использованием набора данных Dog-pose?#

Мозаика, как показано на примерах изображений из набора данных Dog-pose, объединяет несколько изображений в одно составное, обогащая разнообразие объектов и сцен в каждом обучающем батче. Этот метод дает ряд преимуществ:

• Увеличивает разнообразие поз собак, их размеров и фонов в каждом батче
• Улучшает способность модели обнаруживать собак в разных контекстах и масштабах
• Усиливает обобщающую способность за счет представления модели более разнообразных визуальных паттернов
• Снижает переобучение за счет создания новых комбинаций примеров для обучения

Этот подход приводит к созданию более надежных моделей, которые лучше работают в реальных сценариях. Примеры изображений см. в разделе Примеры изображений и аннотаций.

Link to this sectionГде найти YAML-файл набора данных Dog-pose и как его использовать?#

YAML-файл набора данных Dog-pose можно найти по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml. Этот файл определяет конфигурацию набора данных, включая пути, классы, детали ключевых точек и другую соответствующую информацию. YAML задает 24 ключевые точки с 3 измерениями для каждой, что делает его пригодным для задач детальной оценки позы.

Чтобы использовать этот файл со скриптами обучения YOLO26, просто укажи его в своей команде обучения, как показано в разделе Использование. Набор данных будет автоматически загружен при первом использовании, что делает настройку очень простой.

Больше часто задаваемых вопросов и подробную документацию можно найти в Документации Ultralytics.