Kaplan-Poz Veri Kümesi

Giriş

Ultralytics poz tahmini görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri setini tanıtmaktadır. Bu veri kümesi, bir YouTube videosundan alınan 263 görüntüden oluşmakta olup 210 görüntü eğitim ve 53 görüntü de doğrulama için ayrılmıştır. Poz tahmin algoritmasını test etmek ve sorun gidermek için mükemmel bir kaynak olarak hizmet vermektedir.

Kaplan pozu veri kümesi, 210 görüntüden oluşan yönetilebilir boyutuna rağmen çeşitlilik sunmakta, bu da onu eğitim işlem hatlarını değerlendirmek, olası hataları belirlemek ve poz tahmini için daha büyük veri kümeleriyle çalışmadan önce değerli bir ön adım olarak hizmet etmek için uygun hale getirmektedir.

This dataset is intended for use with Ultralytics HUB and YOLO11.

İzle: Train YOLO11 Pose Model on Tiger-Pose Dataset Using Ultralytics HUB

Veri Kümesi YAML

Bir YAML (Yet Another Markup Language) dosyası, bir veri kümesinin yapılandırma ayrıntılarını belirtmek için bir araç görevi görür. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi önemli verileri kapsar. Özellikle, için tiger-pose.yaml dosyasında, kontrol edebilirsiniz Ultralytics Tiger-Pose Veri Seti Yapılandırma Dosyası.

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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: ../datasets/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/tiger-pose.zip

Kullanım

To train a YOLO11n-pose model on the Tiger-Pose dataset for 100 epochs with an image size of 640, you can use the following code snippets. For a comprehensive list of available arguments, refer to the model Training page.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Örnek Görüntüler ve Açıklamalar

Tiger-Pose veri kümesinden bazı görüntü örnekleri ve bunlara karşılık gelen ek açıklamalar aşağıda verilmiştir:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri kümesi görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, eğitim sırasında kullanılan ve her bir 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 ve eğitim sürecinde mozaikleme kullanmanın faydalarını göstermektedir.

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)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Atıflar ve Teşekkür

Veri seti AGPL-3.0 Lisansı altında kullanıma sunulmuştur.

SSS

Ultralytics Tiger-Pose veri seti ne için kullanılır?

The Ultralytics Tiger-Pose dataset is designed for pose estimation tasks, consisting of 263 images sourced from a YouTube video. The dataset is divided into 210 training images and 53 validation images. It is particularly useful for testing, training, and refining pose estimation algorithms using Ultralytics HUB and YOLO11.

Tiger-Pose veri kümesi üzerinde bir YOLO11 modelini nasıl eğitebilirim?

To train a YOLO11n-pose model on the Tiger-Pose dataset for 100 epochs with an image size of 640, use the following code snippets. For more details, visit the Training page:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="tiger-pose.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

Hangi konfigürasyonlar tiger-pose.yaml dosya dahil mi?

Bu tiger-pose.yaml dosyası, Tiger-Pose veri kümesinin yapılandırma ayrıntılarını belirtmek için kullanılır. Dosya yolları ve sınıf tanımları gibi önemli verileri içerir. Yapılandırmayı tam olarak görmek için Ultralytics Tiger-Pose Veri Seti Yapılandırma Dosyası.

Tiger-Pose veri kümesi üzerinde eğitilmiş bir YOLO11 modeli kullanarak çıkarımı nasıl çalıştırabilirim?

To perform inference using a YOLO11 model trained on the Tiger-Pose dataset, you can use the following code snippets. For a detailed guide, visit the Prediction page:

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)

# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

Poz tahmini için Tiger-Pose veri setini kullanmanın faydaları nelerdir?

The Tiger-Pose dataset, despite its manageable size of 210 images for training, provides a diverse collection of images that are ideal for testing pose estimation pipelines. The dataset helps identify potential errors and acts as a preliminary step before working with larger datasets. Additionally, the dataset supports the training and refinement of pose estimation algorithms using advanced tools like Ultralytics HUB and YOLO11, enhancing model performance and accuracy.

📅 1 yıl önce oluşturuldu ✏️ 1 ay önce güncellendi

Yorumlar