Набор данных Tiger-Pose

Введение

Ultralytics представляет набор данных Tiger-Pose, универсальную коллекцию, предназначенную для задач оценки позы. Этот набор данных содержит 263 изображения, взятых из видео на YouTube, из которых 210 изображений выделено для обучения и 53 для проверки. Он служит отличным ресурсом для тестирования и устранения неполадок алгоритмов оценки позы.

Несмотря на свой небольшой размер (210 изображений), набор данных Tiger-Pose предлагает разнообразие, что делает его подходящим для оценки конвейеров обучения, выявления потенциальных ошибок и служит ценным предварительным этапом перед работой с более крупными наборами данных для оценки позы.

Этот набор данных предназначен для использования с Ultralytics HUB и YOLO11.

Смотреть: Обучение модели позы YOLO11 на наборе данных Tiger-Pose с использованием Ultralytics HUB

YAML-файл набора данных

YAML-файл (Yet Another Markup Language) используется для указания деталей конфигурации набора данных. Он охватывает важные данные, такие как пути к файлам, определения классов и другую важную информацию. В частности, для tiger-pose.yaml файле, вы можете проверить Файл конфигурации набора данных Ultralytics Tiger-Pose.

# 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

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

Использование

Чтобы обучить модель YOLO11n-pose на наборе данных Tiger-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.

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

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Примеры изображений и аннотации

Вот несколько примеров изображений из набора данных Tiger-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 Tiger-Pose и преимущества использования мозаики в процессе обучения.

Пример инференса

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a tiger-pose trained model

# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Цитирование и благодарности

Набор данных выпущен и доступен под лицензией AGPL-3.0.

Часто задаваемые вопросы

Для чего используется набор данных Ultralytics Tiger-Pose?

Набор данных Ultralytics Tiger-Pose предназначен для задач оценки позы и состоит из 263 изображений, полученных из видео на YouTube. Набор данных разделен на 210 обучающих изображений и 53 проверочных изображения. Он особенно полезен для тестирования, обучения и уточнения алгоритмов оценки позы с использованием Ultralytics HUB и YOLO11.

Как обучить модель YOLO11 на наборе данных Tiger-Pose?

Чтобы обучить модель YOLO11n-pose на наборе данных Tiger-Pose в течение 100 эпох с размером изображения 640, используйте следующие фрагменты кода. Для получения более подробной информации посетите страницу Training:

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

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Какие конфигурации включает в себя tiger-pose.yaml файл включает?

Параметр tiger-pose.yaml файл используется для указания деталей конфигурации набора данных Tiger-Pose. Он включает в себя важные данные, такие как пути к файлам и определения классов. Чтобы увидеть точную конфигурацию, вы можете проверить Файл конфигурации набора данных Ultralytics Tiger-Pose.

Как я могу выполнить вывод, используя модель YOLO11, обученную на наборе данных Tiger-Pose?

Чтобы выполнить инференс с использованием модели YOLO11, обученной на наборе данных Tiger-Pose, вы можете использовать следующие фрагменты кода. Подробное руководство см. на странице Prediction:

from ultralytics import YOLO

# Load a model
model = YOLO("path/to/best.pt")  # load a tiger-pose trained model

# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Каковы преимущества использования набора данных Tiger-Pose для оценки позы?

Датасет Tiger-Pose, несмотря на свой скромный размер в 210 изображений для обучения, предоставляет разнообразную коллекцию изображений, которые идеально подходят для тестирования конвейеров оценки позы. Датасет помогает выявить потенциальные ошибки и служит предварительным шагом перед работой с более крупными наборами данных. Кроме того, датасет поддерживает обучение и совершенствование алгоритмов оценки позы с использованием передовых инструментов, таких как Ultralytics HUB и YOLO11, повышая производительность и точность.

📅 Создано 1 год назад ✏️ Обновлено 5 месяцев назад

Комментарии