Tiger-Pose Veri Kümesi#

262

Tiger Pose

ultralytics

publicPose

Tiger pose-estimation dataset with 262 unique 1280x720 video frames across 209 train and 53 validation images, all labeled with one tiger instance and 12 two-dimensional keypoints. One byte-identical duplicate frame with a redundant near-identical label was excluded. Ultralytics pose annotations are distributed with source frames derived from the attributed YouTube tiger video.

1 class44 MBAug 21, 2026

tiger

tigerswildlifepose-estimation+1

Giriş#

Ultralytics, poz kestirimi görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri setini sunar. Bu veri seti, bir YouTube video kaynağından alınan 263 görüntüden oluşur; bunların 210'u eğitim ve 53'ü doğrulama için ayrılmıştır. Poz kestirimi algoritmalarını test etmek ve sorun gidermek için mükemmel bir kaynak görevi görür.

210 görüntüden oluşan yönetilebilir eğitim bölümüne rağmen Tiger-Pose veri seti çeşitlilik sunarak eğitim boru hatlarını değerlendirmeyi, olası hataları belirlemeyi ve poz kestirimi için daha büyük veri setleriyle çalışmadan önce değerli bir ön adım olarak hizmet etmeyi uygun hale getirir.

Boru hattınız bu küçük sette temiz bir şekilde eğildikten sonra, kendi hayvan veya nesne anahtar noktalarınızı içeri aktarın ve tarayıcıdan ayrılmadan Ultralytics Platform üzerinde eğitimi ölçeklendirin.

Veri Kümesi Yapısı#

• Toplam görüntü sayısı: 263 (210 eğitim / 53 doğrulama).
• Anahtar noktalar: Kaplan başına 12 adet (görünürlük bayrağı yok).
• İndirme boyutu: ~49.8 MB.
• Dizin yapısı: images/{train,val} dizinlerinin yanında labels/{train,val} altında depolanan YOLO formatındaki anahtar noktalar.

Veri Kümesi YAML#

Bir YAML dosyası, bir veri setinin yapılandırma detaylarını belirtmek için araç görevi görür. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi çok önemli verileri kapsar. Özellikle tiger-pose.yaml dosyası için Ultralytics Tiger-Pose Dataset Configuration File sayfasına göz atabilirsin.

# 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 seti üzerinde 640 görüntü boyutuyla 100 epochs boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut argümanların kapsamlı bir listesi için model Training sayfasına bakın.

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 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.

Örnek, Tiger-Pose veri kümesindeki görüntülerin çeşitliliğini ve karmaşıklığını, ayrıca eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.

Çıkarım Örneği#

Eğitimden sonra en iyi kontrol noktanı yükle ve yeni görüntüler veya videolar üzerinde çıkarım çalıştır — tüm argümanlar listesi için Prediction sayfasına bakın.

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/Gc6K5eKrTNQ", show=True)

Alıntılar ve Teşekkür#

Ultralytics, Tiger-Pose veri seti ek açıklamalarını AGPL-3.0 License altında yayınlar. Kaynak video, çıkarılan kareleri kullanmadan veya yeniden dağıtmadan önce incelenmesi gereken original terms şartlarına tabidir.

SSS#