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/cfg/datasets/tiger-pose.yaml
# 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.
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="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
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:
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="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:
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"
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.