Skip to main content
在 GitHub 上编辑 (EN)

姿态估计数据集概览

支持的数据集格式

Ultralytics YOLO 格式

用于训练 YOLO 姿态模型的标签格式如下：

  1. 每张图片对应一个文本文件：数据集中的每张图片都有一个同名的文本文件，扩展名为 ".txt"。
  2. 每个对象一行：文本文件中的每一行对应图像中的一个对象实例。
  3. 每行的对象信息：每一行包含以下有关对象实例的信息：
    • 对象类索引：表示对象类别的整数（例如，0 表示人，1 表示汽车等）。
    • 对象中心坐标：对象的 x 和 y 中心坐标，归一化至 0 到 1 之间。
    • 对象宽高：对象的宽度和高度，归一化至 0 到 1 之间。
    • 对象关键点坐标：对象的关键点，归一化至 0 到 1 之间。

这是姿态估计任务的标签格式示例：

2D 关键点格式

<class-index> <x> <y> <width> <height> <px1> <py1> <px2> <py2> ... <pxn> <pyn>

3D 关键点格式（包含每个点的可见性）

<class-index> <x> <y> <width> <height> <px1> <py1> <p1-visibility> <px2> <py2> <p2-visibility> <pxn> <pyn> <pn-visibility>

在此格式中，<class-index> 是对象的类别索引，<x> <y> <width> <height> 是归一化后的坐标，边界框，以及 <px1> <py1> <px2> <py2> ... <pxn> <pyn> 是归一化后的关键点坐标。可见性通道是可选的，但对于标注了遮挡的数据集非常有用。

数据集 YAML 格式

Ultralytics 框架使用 YAML 文件格式来定义训练姿态估计模型所需的数据集和模型配置。以下是用于定义姿态数据集的 YAML 格式示例：

ultralytics/cfg/datasets/coco8-pose.yaml
# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← downloads here (1 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: coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

在 train 和 val 字段分别指定包含训练和验证图像的目录路径。

names 是类名的字典。名称的顺序应与 YOLO 数据集文件中对象类索引的顺序相匹配。

（可选）如果关键点是对称的，则需要 flip_idx，例如人或脸部的左右侧。例如，假设面部关键点有五个：[左眼，右眼，鼻子，左嘴角，右嘴角]，原始索引为 [0, 1, 2, 3, 4]，那么 flip_idx 应为 [1, 0, 2, 4, 3]（仅交换左右索引，即 0-1 和 3-4，本例中不修改鼻子等其他点）。

用法

示例
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="coco8-pose.yaml", epochs=100, imgsz=640)

支持的数据集

本节概述了与 Ultralytics YOLO 格式兼容且可用于训练的数据集：姿态估计 模型进行比较：

COCO-Pose

  • 描述: COCO-Pose 是一个大规模的 目标检测, 分割和姿态估计数据集。它是热门 COCO 数据集的子集，专注于人体姿态估计。COCO-Pose 包含每个人体实例的多个关键点。
  • 标签格式: 与上述 Ultralytics YOLO 格式相同，包含人体姿态关键点。
  • 类别数量: 1 (人)。
  • Keypoints: 17 个关键点，包括鼻子、眼睛、耳朵、肩膀、手肘、手腕、臀部、膝盖和脚踝。
  • 用法: 适用于训练人体姿态估计模型。
  • 附加说明: 该数据集丰富多样，包含超过 20 万张已标注图像。
  • 阅读更多关于 COCO-Pose 的信息

COCO8-Pose

  • 描述: Ultralytics COCO8-Pose 是一个小巧且通用的姿态检测数据集，由 COCO train 2017 集的前 8 张图像组成，其中 4 张用于训练，4 张用于验证。
  • 标签格式: 与上述 Ultralytics YOLO 格式相同，包含人体姿态关键点。
  • 类别数量: 1 (人)。
  • Keypoints: 17 个关键点，包括鼻子、眼睛、耳朵、肩膀、手肘、手腕、臀部、膝盖和脚踝。
  • 用法: 适用于测试和调试目标检测模型，或尝试新的检测方法。
  • 附加说明: COCO8-Pose 是进行冒烟测试和 CI 检查.
  • 的理想选择。阅读更多关于 COCO8-Pose 的信息

Dog-Pose

  • 描述: Dog Pose 数据集包含 6,773 张训练图像和 1,703 张测试图像，为犬类关键点估计提供了多样化且广泛的资源。
  • 标签格式: 遵循 Ultralytics YOLO 格式，并带有针对犬类解剖结构特定多个关键点的标注。
  • 类别数量: 1 (狗)。
  • Keypoints: 包括 24 个专门针对狗姿态的关键点，如四肢、关节和头部位置。
  • 用法: 非常适合训练模型以在各种场景下估计狗的姿态，从研究到 实际应用.
  • 均可。阅读更多关于 Dog-Pose 的信息

Hand Keypoints

  • 描述: 手部关键点姿态数据集包含近 2.6 万张图像，其中 18,776 张用于训练，7,992 张用于验证。
  • 标签格式: 与上述 Ultralytics YOLO 格式相同，但包含 21 个手部关键点和一个可见性维度。
  • 类别数量: 1 (手)。
  • Keypoints: 21 个关键点。
  • 用法: 非常适合手部姿态估计和 手势识别.
  • 。阅读更多关于 Hand Keypoints 的信息

Tiger-Pose

  • 描述: Ultralytics Tiger Pose 数据集包含来自 YouTube 视频 的 263 张图像，其中 210 张用于训练，53 张用于验证。
  • 标签格式: 与上述 Ultralytics YOLO 格式相同，包含 12 个动物姿态关键点，且没有可见性维度。
  • 类别数量: 1 (老虎)。
  • Keypoints: 12 个关键点。
  • 用法: 非常适合动物姿态或任何非人类的姿态估计。
  • 阅读更多关于 Tiger-Pose 的信息

添加你自己的数据集

如果你有自己的数据集并希望使用它通过 Ultralytics YOLO 格式训练姿态估计模型，请确保它遵循上述 "Ultralytics YOLO 格式"。将你的标注转换为所需格式，并在 YAML 配置文件中指定路径、类别数量和类名。

转换工具

Ultralytics 提供了一个便捷的转换工具，可以将流行的 COCO dataset 格式转换为 YOLO 格式：

示例
from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

该转换工具可用于将 COCO 数据集或任何 COCO 格式的数据集转换为 Ultralytics YOLO 格式。use_keypoints 参数指定是否在转换后的标签中包含关键点（用于姿态估计）。

FAQ

什么是用于姿态估计的 Ultralytics YOLO 格式？

用于姿态估计数据集的 Ultralytics YOLO 格式要求每张图像对应一个文本文件。文本文件的每一行存储一个对象实例的信息：

  • 对象类别索引
  • 对象中心坐标（归一化的 x 和 y）
  • 对象宽度和高度（归一化的）
  • 对象关键点坐标（归一化的 pxn 和 pyn）

对于 2D 姿态，关键点包含像素坐标。对于 3D 姿态，每个关键点还包含一个可见性标记。更多详细信息，请参阅 Ultralytics YOLO 格式.

如何使用 COCO-Pose 数据集配合 Ultralytics YOLO？

要使用 COCO-Pose 数据集 配合 Ultralytics YOLO：

  1. 下载数据集并按 YOLO 格式准备你的标签文件。

  2. 创建一个 YAML 配置文件，指定训练和验证图像的路径、关键点形状和类名。

  3. 使用该配置文件进行训练：

    from ultralytics import YOLO

model = YOLO("yolo26n-pose.pt")  # load pretrained model
results = model.train(data="coco-pose.yaml", epochs=100, imgsz=640)

    更多信息，请访问 COCO-Pose 和 train 部分。

如何在 Ultralytics YOLO 中添加自定义姿态估计数据集？

要添加你的数据集：

  1. 将你的标注转换为 Ultralytics YOLO 格式。

  2. 创建一个 YAML 配置文件，指定数据集路径、类别数量和类名。

  3. 使用该配置文件训练你的模型：

    from ultralytics import YOLO

model = YOLO("yolo26n-pose.pt")
results = model.train(data="your-dataset.yaml", epochs=100, imgsz=640)

    获取完整步骤，请查看 添加你自己的数据集 部分找到。

Ultralytics YOLO 中数据集 YAML 文件的用途是什么？

Ultralytics YOLO 中的数据集 YAML 文件定义了训练所需的数据集和模型配置。它指定了训练、验证和测试图像的路径、关键点形状、类名以及其他配置选项。这种结构化的格式有助于简化数据集管理和模型训练。以下是 YAML 格式示例：

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# COCO8-pose dataset (first 8 images from COCO train2017) by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/coco8-pose/
# Example usage: yolo train data=coco8-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── coco8-pose ← downloads here (1 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: coco8-pose # dataset root dir
train: images/train # train images (relative to 'path') 4 images
val: images/val # val images (relative to 'path') 4 images
test: # test images (optional)

# Keypoints
kpt_shape: [17, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 2, 1, 4, 3, 6, 5, 8, 7, 10, 9, 12, 11, 14, 13, 16, 15]

# Classes
names:
  0: person

# Keypoint names per class
kpt_names:
  0:
    - nose
    - left_eye
    - right_eye
    - left_ear
    - right_ear
    - left_shoulder
    - right_shoulder
    - left_elbow
    - right_elbow
    - left_wrist
    - right_wrist
    - left_hip
    - right_hip
    - left_knee
    - right_knee
    - left_ankle
    - right_ankle

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/coco8-pose.zip

阅读更多关于在以下内容中创建 YAML 配置文件：数据集 YAML 格式.

如何将 COCO 数据集标签转换为 Ultralytics YOLO 格式用于姿态估计？

Ultralytics 提供了一个转换工具，可以将 COCO 数据集标签转换为 YOLO 格式，包括关键点信息：

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/", use_keypoints=True)

该工具可帮助将 COCO 数据集无缝集成到 YOLO 项目中。有关详细信息，请参考 转换工具 部分和 数据预处理指南.

评论