Tiger-Pose Veri Kümesi#

262

Tiger Pose

ultralytics

publicPose

Tiger Pose contains 1280 x 720 video frames derived from an attributed YouTube tiger video. Each labeled animal has 12 two-dimensional keypoints, supporting articulated pose estimation across walking, standing, body orientation, limb movement, and partial occlusion.

1 class44 MBSep 2, 2026

tiger

tigerswildlifepose-estimation+1

Giriş#

Ultralytics, poz tahmini görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri kümesini sunar. Bu veri kümesi, bir YouTube videosundan alınan 263 görselden oluşur; 210 görsel eğitim, 53 görsel ise doğrulama için ayrılmıştır. Poz tahmini algoritmalarını test etmek ve sorunlarını gidermek için mükemmel bir kaynaktır.

Yönetilebilir 210 görsellik eğitim bölümüne rağmen Tiger-Pose veri kümesi çeşitlilik sunar; bu da onu eğitim işlem hatlarını değerlendirmek, olası hataları belirlemek ve daha büyük veri kümeleriyle poz tahmini çalışmalarına geçmeden önce değerli bir ön adım olarak kullanmak için uygun kılar.

İşlem hattın bu küçük kümede sorunsuz eğitim yaptıktan sonra, kendi hayvan veya nesne anahtar noktalarını kullanmaya başlayıp tarayıcıdan ayrılmadan Ultralytics Platform üzerinde eğitimi ölçeklendirebilirsin.

Veri Kümesi Yapısı#

• Toplam görsel: 263 (210 train / 53 val).
• Anahtar noktalar: Kaplan başına 12 (görünürlük bayrağı yok).
• İndirme boyutu: ~49.8 MB.
• Dizin düzeni: YOLO biçimindeki anahtar noktalar, images/{train,val} dizinlerinin yanında labels/{train,val} altında saklanır.

Veri Kümesi YAML Dosyası#

YAML dosyası, bir veri kümesinin yapılandırma ayrıntılarını belirtmek için kullanılır. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi önemli verileri içerir. Özellikle tiger-pose.yaml dosyası için Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası sayfasına bakabilirsin.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/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 (49.8 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: tiger-pose # dataset root dir
train: images/train # train images (relative to 'path') 210 images
val: images/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

# Keypoint names per class
kpt_names:
  0:
    - nose
    - head
    - withers
    - tail_base
    - right_hind_hock
    - right_hind_paw
    - left_hind_paw
    - left_hind_hock
    - right_front_wrist
    - right_front_paw
    - left_front_wrist
    - left_front_paw

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

Kullanım#

Tiger-Pose veri kümesinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-pose modeli 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="tiger-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Ek Açıklamalar#

Tiger-Pose veri kümesinden bazı görsel örnekleri ve bunlara karşılık gelen açıklamalar aşağıda verilmiştir:

• 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.

Örnek, Tiger-Pose veri kümesindeki görsellerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sırasında mozaikleme kullanmanın faydalarını gösteriyor.

Çıkarım Örneği#

Eğitimden sonra en iyi kontrol noktanı yükleyip yeni görseller veya videolar üzerinde çıkarım yap. Bağımsız değişkenlerin tam listesi için Tahmin sayfasına bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("path/to/best.pt")  # kaplan pozu üzerinde eğitilmiş bir modeli yükle

# Çıkarımı çalıştır
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)

Atıflar ve Teşekkürler#

Ultralytics, Tiger-Pose veri kümesi açıklamalarını AGPL-3.0 Lisansı kapsamında yayımlar. Kaynak video, orijinal koşullarına tabi olmaya devam eder; çıkarılan kareleri kullanmadan veya yeniden dağıtmadan önce bu koşulları incelemelisin.

Sık Sorulan Sorular#