Link to this sectionTiger-Pose Veri Kümesi#

Link to this sectionGiriş#

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

210 görüntülük yönetilebilir eğitim setine rağmen Tiger-Pose veri kümesi, eğitim süreçlerini değerlendirmek, olası hataları belirlemek ve daha büyük poz kestirimi veri kümeleriyle çalışmadan önce değerli bir ön adım işlevi görmek için uygun çeşitlilik sunar.

Bu veri kümesi, Ultralytics Platform ve YOLO26 ile kullanım için hazırlanmıştır.

Link to this sectionVeri Kümesi Yapısı#

• Toplam görüntü sayısı: 263 (210 eğitim / 53 doğrulama).
• Anahtar noktalar: Kaplan başına 12 adet (görünürlük bayrağı yok).
• Directory layout: YOLO-format keypoints stored under labels/{train,val} alongside images/{train,val} directories.

Link to this sectionVeri Kümesi YAML#

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 Dosyasını 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

Link to this sectionKullanım#

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)

Link to this sectionÖrnek 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.

Link to this sectionÇıkarım 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)

Link to this sectionAlıntılar ve Teşekkür#

Veri kümesi, AGPL-3.0 Lisansı altında yayınlanmıştır.

Link to this sectionSSS#

Link to this sectionUltralytics Tiger-Pose veri kümesi ne için kullanılır?#

Ultralytics Tiger-Pose veri kümesi, bir YouTube videosundan alınan 263 görüntüden oluşan ve poz kestirimi görevleri için tasarlanmış bir veri kümesidir. Veri kümesi 210 eğitim ve 53 doğrulama görüntüsüne bölünmüştür. Özellikle Ultralytics Platform ve YOLO26 kullanarak poz kestirimi algoritmalarını test etmek, eğitmek ve iyileştirmek için kullanışlıdır.

Link to this sectionTiger-Pose veri kümesinde nasıl YOLO26 modeli eğitirim?#

Tiger-Pose veri kümesi üzerinde 100 epoch boyunca 640 görüntü boyutuyla bir YOLO26n-pose modeli eğitmek için aşağıdaki kod parçacıklarını 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)

Link to this sectiontiger-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. Kesin yapılandırmayı görmek için Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyasını inceleyebilirsin.

Link to this sectionTiger-Pose veri kümesinde eğitilmiş bir YOLO26 modeliyle nasıl çıkarım yapabilirim?#

Tiger-Pose veri kümesinde eğitilmiş bir YOLO26 modeliyle çıkarım yapmak için aşağıdaki kod parçacıklarını kullanabilirsin. Detaylı 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)

Link to this sectionPoz kestirimi için Tiger-Pose veri kümesini kullanmanın faydaları nelerdir?#

Tiger-Pose veri kümesi, 210 eğitim görüntüsünden oluşan yönetilebilir boyutuna rağmen, poz kestirimi hatlarını test etmek için ideal olan çeşitli bir görüntü koleksiyonu sunar. Veri kümesi, potansiyel hataları belirlemeye yardımcı olur ve daha büyük veri kümeleriyle çalışmadan önce bir ön adım görevi görür. Ayrıca veri kümesi, Ultralytics Platform ve YOLO26 gibi gelişmiş araçları kullanarak poz kestirimi algoritmalarının eğitimini ve iyileştirilmesini destekler, böylece model performansını ve doğruluğunu artırır.