Dog-Pose Veri Kümesi

Giriş

Ultralytics Dog-Pose veri kümesi, köpeklerde anahtar nokta kestirimi için özel olarak hazırlanmış, kapsamlı ve yüksek kaliteli bir veri kümesidir. 6.773 eğitim ve 1.703 test görüntüsü ile bu veri kümesi, sağlam poz kestirimi modelleri eğitmek için güçlü bir temel sağlar.

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

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.

Veri Kümesi Yapısı

• Dağılım: Eşleşen YOLO formatındaki etiket dosyalarıyla 6.773 eğitim / 1.703 test görüntüsü.

• Keypoints: 24 per dog with (x, y, visibility) triplets.

• Düzen:

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

Veri Kümesi YAML Dosyası

Veri kümesi yapılandırmasını tanımlamak için bir YAML (Yet Another Markup Language) dosyası kullanılır. Bu dosya yolları, anahtar nokta detaylarını ve diğer ilgili bilgileri içerir. Dog-pose veri kümesi için dog-pose.yaml dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml adresinden ulaşabilirsin.

# 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 kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçalarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için Eğitim modeli sayfasına bakabilirsin.

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

İşte Dog-pose veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen etiketler:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti 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 yeteneğini geliştirmeye yardımcı olur.

Bu örnek, Dog-pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın avantajlarını sergilemektedir.

Alıntılar ve Teşekkür

Dog-pose veri kümesini araştırma veya geliştirme çalışmalarında kullanırsan lütfen şu 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}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturdukları ve sürdürdükleri için Stanford ekibine teşekkür ederiz. Dog-pose veri kümesi ve oluşturucuları hakkında daha fazla bilgi için Stanford Dogs Dataset web sitesini ziyaret edebilirsin.

SSS

Dog-pose veri kümesi nedir ve Ultralytics YOLO26 ile nasıl kullanılır?

Dog-Pose veri kümesi, köpek poz kestirimi için 24 anahtar nokta ile etiketlenmiş 6.773 eğitim ve 1.703 test görüntüsü içerir. Hayvan davranış analizi, evcil hayvan takibi ve veterinerlik çalışmaları gibi uygulamaları destekleyerek Ultralytics YOLO26 ile modelleri eğitmek ve doğrulamak için tasarlanmıştır. Veri kümesinin kapsamlı etiketleri, köpekler için doğru poz kestirimi modelleri geliştirmek adına idealdir.

Ultralytics içerisinde Dog-pose veri kümesini kullanarak bir YOLO26 modelini nasıl eğitirim?

Dog-pose veri kümesi üzerinde 640 görüntü boyutu ve 100 epoch ile bir YOLO26n-pose modeli eğitmek için şu örnekleri takip et:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n-pose.pt")

# Train the model
results = model.train(data="dog-pose.yaml", epochs=100, imgsz=640)

Eğitim argümanlarının kapsamlı bir listesi için model Eğitim sayfasına başvurabilirsin.

Dog-pose veri kümesini kullanmanın faydaları nelerdir?

Dog-pose veri kümesi çeşitli avantajlar sunar:

Büyük ve Çeşitli Veri Kümesi: 8.400'den fazla görüntü ile geniş bir köpek pozu, cinsi ve bağlamı yelpazesini kapsayan önemli miktarda veri sağlayarak sağlam bir model eğitimi ve değerlendirmesi sağlar.

Detaylı Anahtar Nokta Etiketleri: Her görüntü, anahtar nokta başına 3 boyutlu (x, y, görünürlük) 24 anahtar nokta içerir ve doğru poz algılama modelleri eğitmek için hassas etiketler sunar.

Gerçek Dünya Senaryoları: Farklı ortamlardan görüntüler içerir; bu da modelin evcil hayvan takibi ve davranış analizi gibi gerçek dünya uygulamalarına uyum sağlama yeteneğini geliştirir.

Transfer Öğrenme Avantajı: Veri kümesi, transfer öğrenme teknikleriyle iyi çalışır ve insan poz veri kümelerinde önceden eğitilmiş modellerin köpeklere özgü özelliklere uyum sağlamasına olanak tanır.

Özellikleri ve kullanımı hakkında daha fazla bilgi için Veri Kümesi Giriş bölümüne bakabilirsin.

Mozaikleme, Dog-pose veri kümesi kullanılarak yapılan YOLO26 eğitim sürecine nasıl fayda sağlar?

Dog-pose veri kümesinden alınan örnek görüntülerde gösterildiği gibi mozaikleme, birden fazla görüntüyü tek bir kompozitte birleştirerek her eğitim grubundaki nesne ve sahne çeşitliliğini zenginleştirir. Bu teknik birkaç avantaj sunar:

• Her gruptaki köpek pozlarının, boyutlarının ve arka planların çeşitliliğini artırır
• Modelin farklı bağlamlarda ve ölçeklerde köpekleri algılama yeteneğini geliştirir
• Modeli daha çeşitli görsel desenlere maruz bırakarak genelleştirmeyi artırır
• Yeni eğitim örneği kombinasyonları yaratarak aşırı uyumu (overfitting) azaltır

Bu yaklaşım, gerçek dünya senaryolarında daha iyi performans gösteren daha sağlam modellere yol açar. Örnek görüntüler için Örnek Görüntüler ve Etiketler bölümüne bakabilirsin.

Dog-pose veri kümesi YAML dosyasını nerede bulabilirim ve nasıl kullanırım?

Dog-pose veri kümesi YAML dosyasına https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml adresinden ulaşabilirsin. Bu dosya; yollar, sınıflar, anahtar nokta detayları ve diğer ilgili bilgileri içeren veri kümesi yapılandırmasını tanımlar. YAML, anahtar nokta başına 3 boyutlu olmak üzere 24 anahtar noktayı belirtir ve bu da onu ayrıntılı poz kestirimi görevleri için uygun hale getirir.

Bu dosyayı YOLO26 eğitim betikleriyle kullanmak için Kullanım bölümünde gösterildiği gibi eğitim komutunda referans vermen yeterlidir. Veri kümesi ilk kullanımda otomatik olarak indirilecek ve kurulumu basit hale getirecektir.

Daha fazla SSS ve ayrıntılı dokümantasyon için Ultralytics Dokümantasyon sayfasını ziyaret et.