Link to this sectionDog-Pose Veri Kümesi#

Link to this sectionGiriş#

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

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.

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

Link to this sectionVeri Kümesi Yapısı#

• Bölünme: YOLO formatında etiket dosyalarıyla birlikte 6.773 eğitim / 1.703 doğrulama görseli.

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

• Düzen:

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

Link to this sectionVeri Kümesi YAML#

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 şu adresten ulaşabilirsin: https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

# 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

Link to this sectionKullanım#

Dog-pose veri kümesi üzerinde 640 görsel boyutu ile 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir argümanların kapsamlı bir listesi için model Eğitim 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)

Link to this sectionÖrnek Görüntüler ve Ek Açıklamalar#

İşte Dog-pose veri kümesinden görseller ve bunlara karşılık gelen etiketlerden bazı örnekler:

• 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 kümesindeki görsellerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını sergilemektedir.

Link to this sectionAlıntılar ve Teşekkür#

Eğer Dog-pose veri kümesini 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}
}

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

Link to this sectionSSS#

Link to this sectionDog-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 görseli içerir. Ultralytics YOLO26 ile model eğitmek ve doğrulamak için tasarlanmıştır; hayvan davranışı analizi, evcil hayvan izleme ve veterinerlik çalışmaları gibi uygulamaları destekler. Veri kümesinin kapsamlı etiketleri, köpekler için doğru poz kestirimi modelleri geliştirmek adına idealdir.

Link to this sectionUltralytics içinde Dog-pose veri kümesini kullanarak bir YOLO26 modelini nasıl eğitirim?#

Dog-pose veri kümesi üzerinde 640 görsel boyutu ile 100 epoch boyunca 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.

Link to this sectionDog-pose veri kümesini kullanmanın faydaları nelerdir?#

Dog-pose veri kümesi çeşitli faydalar sunar:

Geniş ve Çeşitli Veri Kümesi: 8.400'den fazla görselle, çok çeşitli köpek pozlarını, ırklarını ve bağlamlarını kapsayan önemli miktarda veri sağlar; bu da sağlam bir model eğitimi ve değerlendirmesi yapmana olanak tanır.

Detaylı Anahtar Nokta Etiketleri: Her görsel, anahtar nokta başına 3 boyuta (x, y, görünürlük) sahip 24 anahtar nokta içerir; bu da doğru poz algılama modelleri eğitmek için hassas etiketler sunar.

Gerçek Dünya Senaryoları: Farklı ortamlardan görseller içerir, böylece modelin evcil hayvan izleme ve davranış analizi gibi gerçek dünya uygulamalarına genellenebilme yeteneğini artırır.

Transfer Öğrenme Avantajı: Veri kümesi, transfer öğrenme teknikleriyle uyumlu çalışır; bu da insan poz veri kümeleri üzerinde önceden eğitilmiş modellerin köpeklere özgü özelliklere uyarlanmasını sağlar.

Özellikleri ve kullanımı hakkında daha fazlası için Veri Kümesine Giriş bölümüne bakabilirsin.

Link to this sectionMozaikleme, Dog-pose veri kümesi kullanılarak yapılan YOLO26 eğitim sürecine nasıl fayda sağlar?#

Dog-pose veri kümesinden alınan örnek görsellerde gösterildiği gibi mozaikleme, birden fazla görseli tek bir kompozitte birleştirerek her eğitim grubundaki nesne ve sahne çeşitliliğini zenginleştirir. Bu teknik birkaç fayda sağlar:

• Her gruptaki köpek pozlarının, boyutlarının ve arka planlarının çeşitliliğini artırır
• Modelin köpekleri farklı bağlamlarda ve ölçeklerde algılama yeteneğini geliştirir
• Modeli daha çeşitli görsel desenlerle karşılaştırarak genellemeyi güçlendirir
• Eğitim örneklerinin yeni kombinasyonlarını oluşturarak aşırı öğrenmeyi (overfitting) azaltır

Bu yaklaşım, gerçek dünya senaryolarında daha iyi performans gösteren daha sağlam modellere yol açar. Örnek görseller için Örnek Görseller ve Etiketler bölümüne başvurabilirsin.

Link to this sectionDog-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 dosyası, anahtar nokta başına 3 boyuta sahip 24 anahtar noktayı belirtir, bu da onu detaylı poz kestirimi görevleri için uygun kılar.

Bu dosyayı YOLO26 eğitim betikleriyle kullanmak için, Kullanım bölümünde gösterildiği gibi eğitim komutunda ona referans vermen yeterlidir. Veri kümesi ilk kullanımda otomatik olarak indirilecek, böylece kurulum kolaylaşacaktır.

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