Dog-Pose Veri Kümesi#

8,449

Dog Pose

ultralytics

publicPose

Dog pose-estimation dataset with 8,449 unique images across 6,750 train and 1,699 validation images, all labeled with one dog instance and 24 three-dimensional keypoints including visibility. Twenty-seven exact duplicate images were removed; for conflicting duplicate annotations, the original label with the most visible keypoints was retained. Images originate from the Stanford Dogs/ImageNet collection and are restricted to research use.

1 class480.7 MBAug 21, 2026

dog

dogsanimalspose-estimation+1

Giriş#

Ultralytics Dog-Pose veri seti, köpek anahtar nokta tespiti için özel olarak derlenmiş yüksek kaliteli ve kapsamlı bir veri setidir; 6.773 eğitim ve 1.703 doğrulama görüntüsü sunar.

Etiketlenmiş her görsel, anahtar nokta başına 3 boyuta (x, y, görünürlük) sahip 24 anahtar nokta içerir; bu da onu bilgisayarlı görü alanındaki ileri düzey araştırma ve geliştirme çalışmaları için değerli bir kaynak haline getirir.

Belirli bir ırk veya tamamen farklı bir hayvan için Ultralytics Platform, altyapıyı yönetmene gerek kalmadan kendi verilerinle özel bir anahtar nokta modelini yüklemeyi, etiketlemeyi ve eğitmeyi yönetir.

Veri Kümesi Yapısı#

• Toplam görüntü: 8.476 (6.773 eğitim / 1.703 doğrulama) ve bunlarla eşleşen YOLO formatında etiket dosyaları.

• Anahtar Noktalar: (x, y, visibility) üçlüleriyle köpek başına 24.

• İndirme boyutu: ~337 MB.

• Düzen:

  datasets/dog-pose/
  ├── images/{train,val}
  └── labels/{train,val}

Veri Kümesi YAML#

Veri seti yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Yolları, anahtar nokta detaylarını ve diğer ilgili bilgileri içerir. Dog-Pose veri seti durumunda, dog-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml adresinde mevcuttur.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose ← downloads here (337 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: dog-pose # dataset root dir
train: images/train # train images (relative to 'path') 6773 images
val: images/val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

# Keypoint names per class
kpt_names:
  0:
    - front_left_paw
    - front_left_knee
    - front_left_elbow
    - rear_left_paw
    - rear_left_knee
    - rear_left_elbow
    - front_right_paw
    - front_right_knee
    - front_right_elbow
    - rear_right_paw
    - rear_right_knee
    - rear_right_elbow
    - tail_start
    - tail_end
    - left_ear_base
    - right_ear_base
    - nose
    - chin
    - left_ear_tip
    - right_ear_tip
    - left_eye
    - right_eye
    - withers
    - throat

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/dog-pose.zip

Kullanım#

Dog-Pose veri seti üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına bakın.

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="dog-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Dog-Pose veri setinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar aşağıdadır:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir tekniktir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yapma yeteneğini geliştirmeye yardımcı olur.

Bu örnek, Dog-Pose veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın avantajlarını sergilemektedir.

Alıntılar ve Teşekkür#

Eğer Dog-Pose veri setini araştırma veya geliştirme çalışmalarında kullanırsan, lütfen aşağıdaki makaleye atıfta bulun:

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

computer vision topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için Stanford ekibine teşekkür ederiz. Dog-Pose veri seti ve yaratıcıları hakkında daha fazla bilgi için Stanford Dogs Dataset website adresini ziyaret edin.

SSS#