Набор данных Tiger-Pose
Введение
Ultralytics представляет набор данных Tiger-Pose, универсальную коллекцию, предназначенную для задач оценки позы. Этот набор данных состоит из 263 изображений, полученных 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, набор данных Tiger-Pose отличается разнообразием, что делает его подходящим для оценки конвейеров обучения, выявления потенциальных ошибок и использования в качестве полезного предварительного этапа перед работой с более крупными наборами данных для оценки позы.
Этот набор данных предназначен для использования с Ultralytics Platform и YOLO26.
Структура набора данных
- Всего изображений: 263 (210 для обучения / 53 для валидации).
- Ключевые точки: 12 на тигра (без флага видимости).
- Структура директорий: Ключевые точки в формате YOLO хранятся в
labels/{train,val}рядом с директориямиimages/{train,val}.
Watch: Train YOLO26 Pose Model on Tiger-Pose Dataset Using Ultralytics Platform
YAML набора данных
Файл YAML (Yet Another Markup Language) используется для указания деталей 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.zipИспользование
Чтобы обучить модель YOLO26n-pose на наборе данных Tiger-Pose в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Полный список доступных аргументов можно найти на странице Обучения.
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)Примеры изображений и аннотаций
Вот несколько примеров изображений из набора данных Tiger-Pose вместе с соответствующими аннотациями:
- Мозаичное изображение: это изображение демонстрирует обучающую выборку, состоящую из мозаичных изображений набора данных. Мозаика — это метод, используемый во время обучения, который объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей выборке. Это помогает улучшить способность модели к обобщению на разные размеры объектов, соотношения сторон и контексты.
Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Tiger-Pose, а также преимущества использования мозаики в процессе обучения.
Пример логического вывода
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)Цитирование и благодарности
Набор данных выпущен под лицензией AGPL-3.0 License.
Часто задаваемые вопросы (FAQ)
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 и 53 валидационных изображения. Он особенно полезен для тестирования, обучения и уточнения алгоритмов оценки позы с использованием Ultralytics Platform и YOLO26.
Как обучить модель YOLO26 на наборе данных Tiger-Pose?
Чтобы обучить модель YOLO26n-pose на наборе данных Tiger-Pose в течение 100 эпох с размером изображения 640, используй следующие фрагменты кода. Для получения дополнительной информации посети страницу Обучения:
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)Какие конфигурации включает файл tiger-pose.yaml?
Файл tiger-pose.yaml используется для задания конфигурации набора данных Tiger-Pose. Он включает критически важные данные, такие как пути к файлам и определения классов. Чтобы увидеть точную конфигурацию, ознакомься с файлом конфигурации набора данных Ultralytics Tiger-Pose.
Как запустить инференс с использованием модели YOLO26, обученной на наборе данных Tiger-Pose?
Чтобы выполнить инференс с использованием модели YOLO26, обученной на наборе данных Tiger-Pose, ты можешь использовать следующие фрагменты кода. Подробное руководство можно найти на странице Предсказания:
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)Каковы преимущества использования набора данных Tiger-Pose для оценки позы?
Набор данных Tiger-Pose, несмотря на удобный размер в 210 изображений для обучения, предоставляет разнообразную коллекцию изображений, идеально подходящую для тестирования конвейеров оценки позы. Этот набор данных помогает выявить потенциальные ошибки и служит предварительным шагом перед работой с более крупными наборами данных. Кроме того, он поддерживает обучение и уточнение алгоритмов оценки позы с помощью передовых инструментов, таких как Ultralytics Platform и YOLO26, повышая производительность и точность модели.