Набор данных Dog-Pose
Введение
Набор данных Ultralytics Dog-pose - это высококачественный и обширный набор данных, специально разработанный для оценки ключевых точек собак. С 6773 обучающими изображениями и 1703 тестовыми изображениями этот набор данных обеспечивает прочную основу для обучения надежных моделей оценки позы.
Смотреть: Как обучить Ultralytics YOLO11 на наборе данных Stanford Dog Pose Estimation | Пошаговое руководство🚀
Каждое аннотированное изображение включает 24 ключевые точки с 3 измерениями на точку (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 HUB и YOLO11.
YAML-файл набора данных
YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он включает в себя пути, детали ключевых точек и другую важную информацию. В случае набора данных Dog-pose, dog-pose.yaml
доступен по адресу https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.
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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dog-pose.zip
Использование
Чтобы обучить модель YOLO11n-pose на наборе данных Dog-pose в течение 100 эпох с размером изображения 640, вы можете использовать следующие фрагменты кода. Для получения полного списка доступных аргументов обратитесь к странице Training модели.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt") # load a pretrained model (recommended for training)
# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo pose train data=dog-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Примеры изображений и аннотации
Вот несколько примеров изображений из набора данных Dog-pose с соответствующими аннотациями:
- Скомпилированное изображение: Это изображение демонстрирует пакет обучения, состоящий из скомпилированных изображений набора данных. Компиляция — это метод, используемый во время обучения, который объединяет несколько изображений в одно изображение, чтобы увеличить разнообразие объектов и сцен в каждом пакете обучения. Это помогает улучшить способность модели обобщать различные размеры объектов, соотношения сторон и контексты.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Dog-pose и преимущества использования мозаики в процессе обучения.
Цитирование и благодарности
Если вы используете набор данных Dog-pose в своих исследованиях или разработках, пожалуйста, сошлитесь 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 Stanford за создание и поддержку этого ценного ресурса для сообщества компьютерного зрения. Для получения дополнительной информации о наборе данных Dog-pose и его создателях посетите веб-сайт Stanford Dogs Dataset.
Часто задаваемые вопросы
Что такое набор данных Dog-pose и как он используется с Ultralytics YOLO11?
Набор данных Dog-Pose содержит 6773 обучающих и 1703 тестовых изображения, аннотированных 24 ключевыми точками для оценки позы собаки. Он предназначен для обучения и проверки моделей с помощью Ultralytics YOLO11, поддерживая такие приложения, как анализ поведения животных, мониторинг домашних животных и ветеринарные исследования. Комплексные аннотации набора данных делают его идеальным для разработки точных моделей оценки позы для собак.
Как обучить модель YOLO11, используя набор данных Dog-pose в Ultralytics?
Чтобы обучить модель YOLO11n-pose на наборе данных Dog-pose в течение 100 эпох с размером изображения 640, воспользуйтесь следующими примерами.
Пример обучения
from ultralytics import YOLO
# Load a model
model = YOLO("yolo11n-pose.pt")
# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)
yolo pose train data=dog-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
Для получения полного списка аргументов обучения обратитесь к странице Обучение модели.
Каковы преимущества использования набора данных Dog-pose?
Набор данных Dog-pose предлагает несколько преимуществ:
Большой и разнообразный набор данных: Имея более 8400 изображений, он предоставляет значительные данные, охватывающие широкий спектр поз, пород и контекстов собак, что обеспечивает надежное обучение и оценку модели.
Детальная аннотация ключевых точек: Каждое изображение включает 24 ключевые точки с 3 измерениями на точку (x, y, видимость), предлагая точные аннотации для обучения точных моделей определения позы.
Реальные сценарии: Включает изображения из различных сред, что повышает способность модели к обобщению в реальных приложениях, таких как мониторинг домашних животных и анализ поведения.
Преимущество трансферного обучения: Набор данных хорошо работает с техниками трансферного обучения, позволяя моделям, предварительно обученным на наборах данных поз человека, адаптироваться к особенностям собак.
Для получения дополнительной информации о его функциях и использовании см. раздел Введение в набор данных.
Как мозаика влияет на процесс обучения YOLO11 с использованием набора данных Dog-pose?
Мозаика, как показано на sample_images из набора данных Dog-pose, объединяет несколько изображений в одно составное, обогащая разнообразие объектов и сцен в каждом пакете обучения. Этот метод предоставляет несколько преимуществ:
- Увеличивает разнообразие поз, размеров и фонов собак в каждой партии
- Улучшает способность модели обнаруживать собак в различных контекстах и масштабах
- Повышает обобщение за счет предоставления модели более разнообразных визуальных шаблонов
- Уменьшает переобучение за счет создания новых комбинаций обучающих примеров.
Этот подход приводит к созданию более надежных моделей, которые лучше работают в реальных сценариях. Примеры изображений см. в разделе Примеры изображений и аннотаций.
Где я могу 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 релевантную информацию. YAML определяет 24 ключевые точки с 3 измерениями на точку, что делает его подходящим для детальной оценки позы.
Чтобы использовать этот файл со скриптами обучения YOLO11, просто укажите ссылку на него в своей команде обучения, как показано в разделе Использование. Набор данных будет автоматически загружен при первом использовании, что упрощает настройку.
Для получения дополнительных часто задаваемых вопросов и подробной документации посетите документацию Ultralytics.