Набор данных "Поза тигра

Введение

Ultralytics Представляем набор данных Tiger-Pose - универсальную коллекцию, предназначенную для задач оценки позы. Этот набор данных состоит из 263 изображений, взятых из видеоролика YouTube, из которых 210 изображений выделены для обучения и 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 YOLO11.

Смотреть: Обучение модели YOLO11 Pose на наборе данных Tiger-Pose с помощью 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 необходимую информацию. В частности, для tiger-pose.yaml файл, вы можете проверить Ultralytics Файл конфигурации набора данных Tiger-Pose.

# 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://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 при размере изображения 640, можно использовать следующие фрагменты кода. Полный список доступных аргументов см. на странице "Обучение модели".

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

Образцы изображений и аннотаций

Вот несколько примеров изображений из набора данных Tiger-Pose с соответствующими аннотациями:

• Мозаичное изображение: Это изображение демонстрирует обучающую партию, состоящую из мозаичных изображений набора данных. Мозаика - это техника, используемая в процессе обучения, которая объединяет несколько изображений в одно, чтобы увеличить разнообразие объектов и сцен в каждой обучающей партии. Это помогает улучшить способность модели к обобщению для различных размеров объектов, соотношения сторон и контекста.

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

Пример 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)

# 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"

Цитаты и благодарности

Набор данных был выпущен в соответствии с лицензиейAGPL-3.0 .

ЧАСТО ЗАДАВАЕМЫЕ ВОПРОСЫ

Для чего используется набор данных Ultralytics Tiger-Pose?

Набор данных Ultralytics Tiger-Pose предназначен для решения задач оценки позы и состоит из 263 изображений, полученных из видеоролика на YouTube. Набор данных разделен на 210 обучающих и 53 проверочных изображения. Он особенно полезен для тестирования, обучения и уточнения алгоритмов оценки позы с помощью 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 при размере изображения 640, используйте следующие фрагменты кода. Для получения более подробной информации посетите страницу Обучение:

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

В каких конфигурациях работает tiger-pose.yaml включить файл?

Сайт tiger-pose.yaml Файл используется для указания деталей конфигурации набора данных Tiger-Pose. Он включает в себя такие важные данные, как пути к файлам и определения классов. Чтобы узнать точную конфигурацию, вы можете посмотреть файл Ultralytics Файл конфигурации набора данных Tiger-Pose.

Как выполнить вывод с помощью модели YOLO11 , обученной на наборе данных Tiger-Pose?

Чтобы сделать вывод с помощью модели YOLO11 , обученной на наборе данных Tiger-Pose, вы можете использовать следующие фрагменты кода. Подробное руководство можно найти на странице 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)

# 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?

Набор данных Tiger-Pose, несмотря на то, что его размер составляет 210 изображений для обучения, представляет собой разнообразную коллекцию изображений, которые идеально подходят для тестирования механизмов оценки позы. Набор данных помогает выявить потенциальные ошибки и служит предварительным этапом перед работой с большими наборами данных. Кроме того, набор данных помогает обучать и совершенствовать алгоритмы оценки позы с помощью таких передовых инструментов, как Ultralytics HUB и YOLO11, повышая производительность и точность модели.

📅 Создано 1 год назад ✏️ Обновлено 2 месяца назад

Комментарии