Dog-Pose Veri Kümesi#

8,449

Dog Pose

ultralytics

publicPose

Dog Pose builds on Stanford Dogs and ImageNet imagery, labeling one dog per image with 24 three-dimensional keypoints and visibility. It supports articulated animal pose estimation across breeds, body shapes, viewpoints, actions, occlusion, and image backgrounds.

1 class480.7 MBSep 2, 2026

dog

dogsanimalspose-estimation+1

Giriş#

Ultralytics Dog-Pose veri kümesi, özellikle köpeklerde anahtar nokta tahmini için özenle hazırlanmış, 6.773 eğitim ve 1.703 doğrulama görüntüsü içeren yüksek kaliteli ve kapsamlı bir veri kümesidir.

Etiketlenmiş her görüntüde, her anahtar nokta için 3 boyutla (x, y, görünürlük) birlikte 24 anahtar nokta bulunur; bu da veri kümesini bilgisayarlı görü alanındaki ileri araştırma ve geliştirme çalışmaları için değerli bir kaynak hâline getirir.

Belirli bir köpek ırkı veya tamamen farklı bir hayvan için Ultralytics Platform, altyapıyı yönetmene gerek kalmadan kendi verilerin üzerinde özel bir anahtar nokta modeli yükleme, etiketleme ve eğitme işlemlerini gerçekleştirir.

Veri Kümesi Yapısı#

• Toplam görüntü: 8.476 (6.773 eğitim / 1.703 doğrulama); bunlara karşılık gelen YOLO biçiminde etiket dosyaları bulunur.

• Anahtar noktalar: Her köpek için (x, y, visibility) üçlülerinden oluşan 24 nokta.

• İndirme boyutu: ~337 MB.

• Dizin yapısı:

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

Veri Kümesi YAML Dosyası#

Veri kümesi yapılandırmasını tanımlamak için bir YAML dosyası kullanılır. Bu dosya yolları, anahtar nokta ayrıntılarını ve diğer ilgili bilgileri içerir. Dog-Pose veri kümesinde dog-pose.yaml dosyası https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml konumunda bulunur.

# 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 kümesinde YOLO26n-pose modelini görüntü boyutu 640 olacak şekilde 100 epoch boyunca eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin Eğitim sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n-pose.pt")  # Önceden eğitilmiş bir model yükle (eğitim için önerilir)

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

Örnek Görüntüler ve Ek Açıklamalar#

Aşağıda, Dog-Pose veri kümesindeki bazı görüntüler ve bunlara karşılık gelen etiketler yer alıyor:

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

Bu örnek, Dog-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını gösteriyor.

Atıflar ve Teşekkürler#

Dog-Pose veri kümesini araştırma veya geliştirme çalışmalarında kullanıyorsan 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}
}

Bilgisayarlı görü topluluğu için bu değerli kaynağı oluşturduğu ve sürdürdüğü için Stanford ekibine teşekkür ederiz. Dog-Pose veri kümesi ve yaratıcıları hakkında daha fazla bilgi için Stanford Dogs veri kümesi web sitesini ziyaret et.

Sık Sorulan Sorular#