Bộ dữ liệu Tiger-Pose#

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

Giới thiệu#

Ultralytics giới thiệu bộ dữ liệu Tiger-Pose, một tập hợp đa năng được thiết kế cho các tác vụ ước tính tư thế. Bộ dữ liệu này gồm 263 hình ảnh lấy từ một video YouTube, trong đó 210 hình ảnh dùng cho huấn luyện và 53 hình ảnh dùng để xác thực. Đây là tài nguyên hữu ích để kiểm thử và khắc phục sự cố cho các thuật toán ước tính tư thế.

Dù tập huấn luyện chỉ có 210 hình ảnh, bộ dữ liệu Tiger-Pose vẫn đa dạng, phù hợp để đánh giá pipeline huấn luyện, xác định lỗi tiềm ẩn và làm bước sơ bộ hữu ích trước khi làm việc với các bộ dữ liệu lớn hơn cho ước tính tư thế.

Khi pipeline của bạn huấn luyện ổn định trên tập dữ liệu nhỏ này, hãy thay bằng keypoint của động vật hoặc đối tượng riêng rồi mở rộng quy mô huấn luyện trên Ultralytics Platform ngay trong trình duyệt.

Cấu trúc dataset#

• Tổng số hình ảnh: 263 (210 train / 53 val).
• Keypoint: 12 trên mỗi con hổ (không có cờ khả kiến).
• Dung lượng tải xuống: ~49.8 MB.
• Bố cục thư mục: Keypoint định dạng YOLO được lưu trong labels/{train,val} cùng với các thư mục images/{train,val}.

YAML của dataset#

File YAML dùng để chỉ định thông tin cấu hình của bộ dữ liệu. File này bao gồm dữ liệu quan trọng như đường dẫn file, định nghĩa class và thông tin liên quan khác. Cụ thể, bạn có thể xem file tiger-pose.yaml tại File cấu hình bộ dữ liệu Tiger-Pose của Ultralytics.

# 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

Cách sử dụng#

Để huấn luyện model YOLO26n-pose trên bộ dữ liệu Tiger-Pose trong 100 epoch với kích thước ảnh 640, bạn có thể sử dụng các đoạn mã sau. Để xem danh sách đầy đủ các tham số hiện có, hãy tham khảo trang Huấn luyện model.

from ultralytics import YOLO

# Tải model
model = YOLO("yolo26n-pose.pt")  # tải model đã huấn luyện trước (được khuyến nghị khi huấn luyện)

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

Hình ảnh mẫu và annotation#

Sau đây là một số hình ảnh từ bộ dữ liệu Tiger-Pose cùng với các chú thích tương ứng:

• Ảnh ghép Mosaic: Hình ảnh này minh họa một batch huấn luyện được tạo từ các ảnh mosaic của bộ dữ liệu. Mosaic là kỹ thuật được sử dụng trong quá trình huấn luyện, kết hợp nhiều hình ảnh thành một hình ảnh duy nhất để tăng sự đa dạng của đối tượng và bối cảnh trong mỗi batch huấn luyện. Kỹ thuật này giúp cải thiện khả năng tổng quát hóa của model đối với các kích thước đối tượng, tỷ lệ khung hình và ngữ cảnh khác nhau.

Ví dụ này minh họa sự đa dạng và độ phức tạp của hình ảnh trong bộ dữ liệu Tiger-Pose, cũng như lợi ích của việc sử dụng ghép mosaic trong quá trình huấn luyện.

Ví dụ suy luận#

Sau khi huấn luyện, hãy tải checkpoint tốt nhất và chạy suy luận trên hình ảnh hoặc video mới — xem trang Dự đoán để biết danh sách đầy đủ các tham số.

from ultralytics import YOLO

# Tải model
model = YOLO("path/to/best.pt")  # tải model đã huấn luyện bằng tiger-pose

# Chạy suy luận
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)

Trích dẫn và lời cảm ơn#

Ultralytics phát hành các chú thích của bộ dữ liệu Tiger-Pose theo Giấy phép AGPL-3.0. Video nguồn vẫn chịu sự điều chỉnh của điều khoản ban đầu; cần xem xét các điều khoản này trước khi sử dụng hoặc phân phối lại các khung hình đã trích xuất.

Câu hỏi thường gặp#