Tiger-Pose Veri Seti#

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 setini sunar. Bu veri seti bir YouTube videosundan alınan 263 görüntüden oluşur; 210 görüntü eğitim, 53 görüntü ise doğrulama için ayrılmıştır. Poz tahmini algoritmalarını test etmek ve sorunlarını gidermek için mükemmel bir kaynaktır.

Yönetilebilir 210 görüntülük eğitim bölümüne rağmen Tiger-Pose veri seti çeşitlilik sunar; bu da onu eğitim işlem hatlarını değerlendirmek, olası hataları belirlemek ve daha büyük veri setleriyle çalışmadan önce değerli bir ön adım olarak kullanmak için uygun hale getirir poz tahmini.

İşlem hattın bu küçük kümede sorunsuz şekilde eğitildiğinde, kendi hayvan veya nesne anahtar noktalarını kullanıp tarayıcıdan çıkmadan Ultralytics Platform üzerinde eğitimi ölçeklendirebilirsin.

Veri Kümesi Yapısı#

• Toplam görüntü: 263 (210 eğitim / 53 doğrulama).
• Anahtar noktalar: Kaplan başına 12 (görünürlük bayrağı yok).
• İndirme boyutu: ~49.8 MB.
• Dizin düzeni: YOLO biçimindeki anahtar noktalar, labels/{train,val} altında images/{train,val} dizinleriyle birlikte depolanır.

Veri Kümesi YAML'i#

Bir YAML dosyası, veri setinin 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 Seti 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 seti üzerinde bir YOLO26n-pose modelini 100 epoch boyunca ve 640 görüntü boyutuyla eğitmek için aşağıdaki kod parçacıklarını kullanabilirsin. Kullanılabilir bağımsız değişkenlerin kapsamlı listesi için modelin 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="tiger-pose.yaml", epochs=100, imgsz=640)

Örnek Görüntüler ve Açıklamalar#

Aşağıda Tiger-Pose veri setinden bazı görüntü örnekleri ve bunlara karşılık gelen anotasyonlar yer alıyor:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu gösterir. Mozaikleme, her eğitim grubundaki nesne ve sahne çeşitliliğini artırmak için birden fazla görüntüyü tek bir görüntüde birleştiren bir eğitim tekniğidir. Bu, modelin farklı nesne boyutlarına, en-boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.

Örnek, Tiger-Pose veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaikleme kullanmanın faydalarını gösterir.

Çıkarım Örneği#

Eğitimden sonra en iyi checkpoint'ini yükleyip yeni görüntüler veya video üzerinde çıkarım çalıştırabilirsin — tüm bağımsız değişkenlerin listesi için Tahmin sayfasına bakabilirsin.

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)

Atıflar ve Teşekkürler#

Ultralytics, Tiger-Pose veri seti anotasyonlarını AGPL-3.0 Lisansı kapsamında yayımlar. Kaynak video, orijinal koşullarına tabi olmaya devam eder; çıkarılan kareleri kullanmadan veya yeniden dağıtmadan önce bu koşullar incelenmelidir.

SSS#