Набор данных Dog-Pose#

8,449

Dog Pose

ultralytics

publicPose

Dog pose-estimation dataset with 8,449 unique images across 6,750 train and 1,699 validation images, all labeled with one dog instance and 24 three-dimensional keypoints including visibility. Twenty-seven exact duplicate images were removed; for conflicting duplicate annotations, the original label with the most visible keypoints was retained. Images originate from the Stanford Dogs/ImageNet collection and are restricted to research use.

1 class480.7 MBAug 21, 2026

dog

dogsanimalspose-estimation+1

Введение#

Датасет Dog-Pose от Ultralytics — это высококачественный и обширный набор данных, специально созданный для оценки ключевых точек собак и содержащий 6773 изображения для обучения и 1703 для валидации.

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.

Для определенной породы или другого животного Ultralytics Platform позволяет загружать данные, размечать их и обучать пользовательскую модель ключевых точек на твоих собственных данных без управления инфраструктурой.

Структура набора данных#

• Всего изображений: 8 476 (6 773 для обучения / 1 703 для проверки) с соответствующими файлами аннотаций в формате YOLO.

• Ключевые точки: 24 на каждую собаку с триплетами (x, y, visibility).

• Размер загрузки: ~337 МБ.

• Структура:

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

YAML набора данных#

Для определения конфигурации датасета используется YAML-файл. Он включает пути, сведения о ключевых точках и другую полезную информацию. Для датасета 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

Использование#

Чтобы обучить модель YOLO26n-pose на датасете Dog-Pose в течение 100 эпох с размером изображения 640, ты можешь использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице обучения моделей.

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)

Примеры изображений и аннотации#

Вот 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.

Цитирование и благодарности#

Если ты используешь набор данных Dog-Pose в своей исследовательской или проектной работе, 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 хотели бы выразить признательность команде из Стэнфорда за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Дополнительную информацию о датасете Dog-Pose и его создателях можно найти на сайте датасета Stanford Dogs.

FAQ#