Tiger-Pose Veri Kümesi#

Giriş#

Ultralytics, pose kestirimi görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri setini sunar. Bu veri seti, bir YouTube videosundan alınan 263 görüntüden oluşmakta olup, 210 görüntü eğitim, 53 görüntü ise doğrulama için ayrılmıştır. Pose kestirimi algoritmalarını test etmek ve sorun gidermek için mükemmel bir kaynak görevi görür.

210 görüntülük yönetilebilir eğitim setiyle Tiger-Pose veri seti, eğitim hatlarını değerlendirmek, olası hataları belirlemek ve pose estimation için daha büyük veri setleriyle çalışmadan önce değerli bir ön adım işlevi görmek için uygun olan çeşitlilik sunar.

İş akışın bu küçük sette temiz bir şekilde eğitime başladığında, kendi hayvan veya nesne anahtar noktalarını ekle ve tarayıcıdan ayrılmadan Ultralytics Platform üzerinde eğitimi ölçeklendir.

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 düzeni: labels/{train,val} altında, images/{train,val} dizinleriyle birlikte saklanan YOLO formatındaki anahtar noktalar.

Veri Kümesi YAML#

Bir YAML dosyası, veri kümesinin yapılandırma ayrıntılarını belirtmek için bir araç görevi görür. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi önemli verileri kapsar. Özellikle tiger-pose.yaml dosyası için Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası bağlantısını kontrol edebilirsin.

# 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 kümesi üzerinde 640 görüntü boyutuyla 100 epoch boyunca bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Mevcut bağımsız değişkenlerin kapsamlı bir listesi için 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 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 yap — bağımsız değişkenlerin tam listesi için Prediction sayfasına bak.

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 açıklamalarını AGPL-3.0 Lisansı altında yayınlar. Kaynak video, çıkarılan kareleri kullanmadan veya yeniden dağıtmadan önce gözden geçirilmesi gereken orijinal şartlarına tabidir.

SSS#

Ultralytics Tiger-Pose veri kümesi ne için kullanılır?#

Ultralytics Tiger-Pose veri seti, bir YouTube videosundan alınan 263 görüntüden oluşan ve pose kestirimi görevleri için tasarlanmış bir veri setidir. Veri seti 210 eğitim görüntüsü ve 53 doğrulama görüntüsü olarak ayrılmıştır, bu da onu pose kestirimi algoritmalarını test etmek, eğitmek ve iyileştirmek için oldukça uygun hale getirir.

Tiger-Pose veri kümesinde nasıl YOLO26 modeli eğitirim?#

yolo26n-pose.pt dosyasını yükle ve model.train(data="tiger-pose.yaml", epochs=100, imgsz=640) komutunu çalıştır — tam Python ve CLI kod parçacıkları için yukarıdaki Train Example bölümüne ve kapsamlı bağımsız değişken listesi için Training sayfasına bak.

tiger-pose.yaml dosyası hangi yapılandırmaları içerir?#

tiger-pose.yaml dosyası veri seti yolunu, train/val görüntü dizinlerini, tek bir sınıfı (tiger) ve kpt_shape: [12, 2] değerini (görünürlük bayrağı olmayan örnek başına 12 anahtar nokta) tanımlar. Tam yapılandırma için Ultralytics Tiger-Pose Dataset Configuration File dosyasına bak.

Tiger-Pose veri kümesinde eğitilmiş bir YOLO26 modeliyle nasıl çıkarım yapabilirim?#

Eğitilmiş kontrol noktanı (örneğin, path/to/best.pt) yükle ve model.predict(source=..., show=True) komutunu çalıştır — tam Python ve CLI kod parçacıkları için yukarıdaki Inference Example bölümüne ve bağımsız değişkenlerin tam listesi için Prediction sayfasına bak.

Poz kestirimi için Tiger-Pose veri kümesini kullanmanın faydaları nelerdir?#

Toplam 263 görüntü (210 eğitim / 53 doğrulama), 1 sınıf, örnek başına 12 anahtar nokta ve ~49.8 MB indirme boyutu ile Tiger-Pose, hızlı bir şekilde yönetilebilecek kadar küçük ancak poz eğitim hattını doğrulamak ve daha büyük veri setleriyle çalışmadan önce hataları tanımlamak için yeterince çeşitlidir.