Перейти к содержимому

Набор данных "Поза тигра

Введение

Ultralytics Представляем тебе набор данных Tiger-Pose - универсальную коллекцию, предназначенную для решения задач по оценке позы. Этот набор данных состоит из 263 изображений, взятых из видео на YouTube, из которых 210 изображений предназначены для обучения, а 53 - для проверки. Она служит отличным ресурсом для тестирования и устранения неполадок алгоритма оценки позы.

Несмотря на внушительный размер в 210 изображений, набор данных tiger-pose отличается разнообразием, что делает его подходящим для оценки обучающих конвейеров, выявления потенциальных ошибок и служит ценным предварительным шагом перед работой с большими наборами данных для оценки позы.

Этот набор данных предназначен для использования с Ultralytics HUB и YOLOv8.



Смотри: Обучи YOLOv8 модели позы на наборе данных Tiger-Pose, используя Ultralytics HUB

Набор данных YAML

Файл YAML (Yet Another Markup Language) служит средством для указания деталей конфигурации набора данных. Он включает в себя такие важные данные, как пути к файлам, определения классов и другую важную информацию. В частности, для tiger-pose.yaml файл, ты можешь проверить Ultralytics Файл конфигурации набора данных Tiger-Pose.

ultralytics/cfg/datasets/tiger-pose.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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: ../datasets/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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://ultralytics.com/assets/tiger-pose.zip

Использование

Чтобы обучить модель YOLOv8n-pose на наборе данных Tiger-Pose в течение 100 эпох при размере изображения 640, ты можешь воспользоваться следующими фрагментами кода. Полный список доступных аргументов ты найдешь на странице обучения модели.

Пример поезда

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n-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=yolov8n.pt epochs=100 imgsz=640

Примеры изображений и аннотаций

Вот несколько примеров изображений из набора данных Tiger-Pose, а также соответствующие им аннотации:

Образец изображения из набора данных

  • Мозаичное изображение: Это изображение демонстрирует тренировочную партию, состоящую из мозаичных изображений из набора данных. Мозаика - это техника, используемая во время обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей партии. Это помогает улучшить способность модели к обобщению на различные размеры объектов, соотношение сторон и контекст.

Этот пример демонстрирует разнообразие и сложность изображений в наборе данных Tiger-Pose и преимущества использования мозаики в процессе обучения.

Пример умозаключения

Пример умозаключения

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://www.youtube.com/watch?v=MIBAT6BGE6U&pp=ygUYdGlnZXIgd2Fsa2luZyByZWZlcmVuY2Ug" show=True)
# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://www.youtube.com/watch?v=MIBAT6BGE6U&pp=ygUYdGlnZXIgd2Fsa2luZyByZWZlcmVuY2Ug" show=True model="path/to/best.pt"

Цитаты и благодарности

Набор данных был выпущен в свободный доступ по лицензииAGPL-3.0 .



Создано 2023-11-12, Обновлено 2024-02-03
Авторы: glenn-jocher (5), RizwanMunawar (1)

Комментарии