Link to this sectionНабор данных Tiger-Pose#

Link to this sectionВведение#

Ultralytics представляет набор данных Tiger-Pose — универсальную коллекцию, разработанную для задач оценки позы. Этот набор включает 263 изображения, взятые из видео на YouTube, из которых 210 изображений выделено для обучения, а 53 — для валидации. Он служит отличным ресурсом для тестирования и отладки алгоритмов оценки позы.

Несмотря на небольшой обучающий набор из 210 изображений, Tiger-Pose отличается разнообразием, что делает его подходящим для оценки конвейеров обучения, выявления потенциальных ошибок и использования в качестве полезного предварительного шага перед работой с более крупными наборами данных для оценки позы.

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

Link to this sectionСтруктура набора данных#

• Общее количество изображений: 263 (210 для обучения / 53 для валидации).
• Ключевые точки: 12 на тигра (без флага видимости).
• Структура каталогов: ключевые точки в формате YOLO хранятся в labels/{train,val} рядом с каталогами images/{train,val}.

Link to this sectionYAML набора данных#

YAML-файл (Yet Another Markup Language) используется для определения конфигурации набора данных. Он содержит важные данные, такие как пути к файлам, определения классов и другую необходимую информацию. В частности, для файла tiger-pose.yaml ты можешь ознакомиться с файлом 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

# Keypoint names per class
kpt_names:
  0:
    - nose
    - head
    - withers
    - tail_base
    - right_hind_hock
    - right_hind_paw
    - left_hind_paw
    - left_hind_hock
    - right_front_wrist
    - right_front_paw
    - left_front_wrist
    - left_front_paw

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

Link to this sectionИспользование#

Чтобы обучить модель YOLO26n-pose на наборе данных Tiger-Pose в течение 100 эпох при размере изображения 640, воспользуйся следующими фрагментами кода. Полный список доступных аргументов смотри на странице Обучение (Training).

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

Link to this sectionПримеры изображений и аннотации#

Вот несколько примеров изображений из набора данных Tiger-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 показывает разнообразие и сложность изображений в наборе данных Tiger-Pose, а также преимущества использования мозаики в процессе обучения.

Link to this sectionПример вывода (Inference)#

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)

Link to this sectionЦитирование и благодарности#

Набор данных выпущен под лицензией AGPL-3.0.

Link to this sectionFAQ#

Link to this sectionДля чего используется набор данных Ultralytics Tiger-Pose?#

Набор данных Ultralytics Tiger-Pose предназначен для задач оценки позы и состоит из 263 изображений, взятых из видео на YouTube. Набор разделен на 210 изображений для обучения и 53 для валидации. Он особенно полезен для тестирования, обучения и уточнения алгоритмов оценки позы с помощью Ultralytics Platform и YOLO26.

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

Чтобы обучить модель YOLO26n-pose на наборе данных Tiger-Pose в течение 100 эпох при размере изображения 640, используй следующие фрагменты кода. Более подробную информацию ищи на странице Обучение (Training):

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

Link to this sectionКакие конфигурации содержит файл tiger-pose.yaml?#

Файл tiger-pose.yaml используется для указания деталей конфигурации набора данных Tiger-Pose. Он включает важные данные, такие как пути к файлам и определения классов. Чтобы увидеть точную конфигурацию, ознакомься с файлом конфигурации набора данных Ultralytics Tiger-Pose.

Link to this sectionКак запустить вывод (inference) с помощью модели YOLO26, обученной на наборе данных Tiger-Pose?#

Чтобы выполнить вывод с помощью модели YOLO26, обученной на наборе данных Tiger-Pose, воспользуйся следующими фрагментами кода. Подробное руководство находится на странице Предсказание (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)

Link to this sectionКаковы преимущества использования набора данных Tiger-Pose для оценки позы?#

Набор данных Tiger-Pose, несмотря на свой небольшой размер в 210 обучающих изображений, предоставляет разнообразную коллекцию, идеально подходящую для тестирования конвейеров оценки позы. Этот набор помогает выявлять потенциальные ошибки и служит предварительным этапом перед работой с большими объемами данных. Кроме того, набор поддерживает обучение и доработку алгоритмов оценки позы с помощью передовых инструментов, таких как Ultralytics Platform и YOLO26, что повышает производительность модели и точность.