Tiger-Pose Veri Kümesi
Giriş
Ultralytics, pose estimation görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri kümesini sunar. Bu veri kümesi, bir YouTube videosundan elde edilen 263 görüntüden oluşur; bunların 210'u eğitim, 53'ü ise doğrulama için ayrılmıştır. Pose estimation algoritmalarını test etmek ve sorun gidermek için mükemmel bir kaynaktır.
210 görüntülük yönetilebilir eğitim setine rağmen, Tiger-Pose veri kümesi çeşitlilik sunar; bu da onu eğitim süreçlerini değerlendirmek, olası hataları tanımlamak ve daha büyük veri kümeleriyle pose estimation üzerinde çalışmadan önce değerli bir ön adım olarak kullanmak için uygun hale getirir.
Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için tasarlanmıştır.
Veri Kümesi Yapısı
- Toplam görüntü: 263 (210 eğitim / 53 doğrulama).
- Anahtar noktalar (Keypoints): Kaplan başına 12 adet (görünürlük bayrağı yok).
- Directory layout: YOLO-format keypoints stored under
labels/{train,val}alongsideimages/{train,val}directories.
Watch: Train YOLO26 Pose Model on Tiger-Pose Dataset Using Ultralytics Platform
Veri Kümesi YAML Dosyası
Bir YAML (Yet Another Markup Language) dosyası, bir veri kümesinin yapılandırma ayrıntılarını belirtmek için kullanılır. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi kritik verileri içerir. Özellikle tiger-pose.yaml dosyası için Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası bağlantısını inceleyebilirsin.
# 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.zipKullanım
Tiger-Pose veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçalarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına başvur.
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="tiger-pose.yaml", epochs=100, imgsz=640)Örnek Görüntüler ve Ek Açıklamalar
İşte Tiger-Pose veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen açıklamalar:
- 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, Tiger-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını sergiler.
Çıkarım Örneği
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a tiger-pose trained model
# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)Alıntılar ve Teşekkür
Veri seti AGPL-3.0 License altında yayınlanmıştır.
SSS
Ultralytics Tiger-Pose veri kümesi ne için kullanılır?
Ultralytics Tiger-Pose veri kümesi, bir YouTube videosundan alınan 263 görüntüden oluşan, pose estimation görevleri için tasarlanmış bir veri kümesidir. Veri kümesi 210 eğitim ve 53 doğrulama görüntüsüne bölünmüştür. Ultralytics Platform ve YOLO26 kullanarak pose estimation algoritmalarını test etmek, eğitmek ve iyileştirmek için özellikle yararlıdır.
Tiger-Pose veri kümesi üzerinde nasıl YOLO26 modeli eğitirim?
Tiger-Pose veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için şu kod parçalarını kullan: Daha fazla ayrıntı için Eğitim sayfasını ziyaret et:
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="tiger-pose.yaml", epochs=100, imgsz=640)tiger-pose.yaml dosyası hangi yapılandırmaları içerir?
tiger-pose.yaml dosyası, Tiger-Pose veri kümesinin yapılandırma ayrıntılarını belirtmek için kullanılır. Dosya yolları ve sınıf tanımları gibi kritik verileri içerir. Tam yapılandırmayı görmek için Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası bağlantısına göz atabilirsin.
Tiger-Pose veri kümesi üzerinde eğitilmiş bir YOLO26 modeli ile nasıl çıkarım yapabilirim?
Tiger-Pose veri kümesi üzerinde eğitilmiş bir YOLO26 modeli ile çıkarım yapmak için aşağıdaki kod parçalarını kullanabilirsin. Ayrıntılı bir kılavuz için Tahmin sayfasını ziyaret et:
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a tiger-pose trained model
# Run inference
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)Pose estimation için Tiger-Pose veri kümesini kullanmanın faydaları nelerdir?
Tiger-Pose veri kümesi, eğitim için 210 görüntüden oluşan yönetilebilir boyutuna rağmen, pose estimation süreçlerini test etmek için ideal olan çeşitli bir görüntü koleksiyonu sağlar. Veri kümesi, olası hataların tanımlanmasına yardımcı olur ve daha büyük veri kümeleriyle çalışmadan önce bir ön adım görevi görür. Ayrıca, veri kümesi Ultralytics Platform ve YOLO26 gibi gelişmiş araçlar kullanarak pose estimation algoritmalarının eğitimini ve iyileştirilmesini destekleyerek model performansını ve doğruluğu artırır.