Набор данных Tiger-Pose#

262

Tiger Pose

ultralytics

publicPose

Tiger Pose contains 1280 x 720 video frames derived from an attributed YouTube tiger video. Each labeled animal has 12 two-dimensional keypoints, supporting articulated pose estimation across walking, standing, body orientation, limb movement, and partial occlusion.

1 class44 MBSep 2, 2026

tiger

tigerswildlifepose-estimation+1

Введение#

Ultralytics представляет набор данных Tiger-Pose — универсальную коллекцию для задач оценки позы. В набор входят 263 изображения, извлечённых из видео на YouTube: 210 изображений для обучения и 53 для валидации. Этот набор данных отлично подходит для тестирования и отладки алгоритмов оценки позы.

Несмотря на небольшой обучающий набор из 210 изображений, Tiger-Pose разнообразен: он подходит для проверки конвейеров обучения, выявления возможных ошибок и служит полезным подготовительным этапом перед работой с более крупными наборами данных для оценки позы.

Когда конвейер будет стабильно обучаться на этом небольшом наборе, замени ключевые точки на собственные точки животных или объектов и масштабируй обучение на платформе Ultralytics, не выходя из браузера.

Структура набора данных#

• Всего изображений: 263 (210 для обучения / 53 для валидации).
• Ключевые точки: 12 на тигра (без флага видимости).
• Размер для скачивания: ~49.8 МБ.
• Структура каталогов: ключевые точки в формате YOLO хранятся в labels/{train,val} рядом с каталогами images/{train,val}.

Файл YAML набора данных#

YAML-файл используется для задания конфигурации набора данных. Он содержит важные сведения, например пути к файлам, определения классов и другую необходимую информацию. Конфигурацию в файле tiger-pose.yaml см. здесь: 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

# 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

Использование#

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 см. на странице Обучение модели.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("yolo26n-pose.pt")  # загрузить предварительно обученную модель (рекомендуется для обучения)

# Обучить модель
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

Примеры изображений и аннотаций#

Ниже приведены примеры изображений из набора данных Tiger-Pose вместе с соответствующей разметкой:

• Мозаичное изображение: на изображении показан обучающий батч, составленный из мозаично объединённых изображений датасета. Мозаичное объединение — это метод, применяемый во время обучения: несколько изображений объединяются в одно, чтобы увеличить разнообразие объектов и сцен в каждом обучающем батче. Это помогает модели лучше обобщать данные для объектов разных размеров, с разными соотношениями сторон и в разных контекстах.

Пример показывает разнообразие и сложность изображений в наборе данных Tiger-Pose, а также преимущества мозаичного объединения изображений во время обучения.

Пример инференса#

После обучения загрузи лучший чекпойнт и запусти инференс на новых изображениях или видео — полный список аргументов см. на странице Предсказание.

from ultralytics import YOLO

# Загрузить модель
model = YOLO("path/to/best.pt")  # загрузи модель, обученную на tiger-pose

# Выполнить инференс
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)

Цитирование и благодарности#

Ultralytics выпускает аннотации набора данных Tiger-Pose по лицензии AGPL-3.0 License. На исходное видео распространяются исходные условия; ознакомься с ними, прежде чем использовать извлечённые кадры или распространять их.

Часто задаваемые вопросы#