Link to this section姿态估计数据集概览#

Link to this section支持的数据集格式#

Link to this sectionUltralytics YOLO 格式#

用于训练 YOLO 姿态模型的标签格式如下：

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与图片文件名相同且后缀为 ".txt" 的对应文本文件。
每个对象占一行：文本文件中的每一行对应图片中的一个对象实例。
每行包含的对象信息：每一行包含有关对象实例的以下信息：
- 对象类别索引：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，已归一化到 0 到 1 之间。
- 对象宽度和高度：对象的宽度和高度，已归一化到 0 到 1 之间。
- 对象关键点坐标：对象的关键点，已归一化到 0 到 1 之间。

以下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>

带关键点可见性的格式（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> 是对象类别的索引，<x> <y> <width> <height> 是边界框的归一化坐标，而 <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很有用。

Link to this section数据集 YAML 格式#

Ultralytics 框架使用 YAML 文件格式来定义用于训练姿态估计模型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

train 和 val 字段分别指定了包含训练集和验证集图片的目录路径。

names 是一个类别名称字典。名称的顺序应与 YOLO 数据集文件中对象类别索引的顺序相匹配。

（可选）如果点是对称的，则需要 flip_idx，例如人或脸的左右两侧。例如，如果我们假设面部特征点有五个关键点：[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 就是 [1, 0, 2, 4, 3]（只需交换左右索引，即 0-1 和 3-4，不要修改其他点，如本例中的鼻子）。

Link to this section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)

Link to this section支持的数据集#

本节概述了与 Ultralytics YOLO 格式兼容且可用于训练姿态估计模型的数据集：

Link to this sectionCOCO-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，包含人体姿态的关键点。
类别数量：1 (人)。
关键点：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：该数据集内容丰富且多样，包含超过 20 万张标注图片。
阅读更多关于 COCO-Pose 的信息

Link to this sectionCOCO8-Pose#

描述：Ultralytics COCO8-Pose 是一个小型但功能多样的姿态检测数据集，由 COCO train 2017 数据集的前 8 张图片组成，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，包含人体姿态的关键点。
类别数量：1 (人)。
关键点：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 是进行健全性检查和 CI 检查的理想选择。
阅读更多关于 COCO8-Pose 的信息

Link to this sectionDog-Pose#

描述：Dog-Pose 数据集包含 6,773 张训练图片和 1,703 张测试图片，为犬类关键点估计提供了多样且丰富的资源。
标签格式：遵循 Ultralytics YOLO 格式，包含针对狗身体结构的多个关键点标注。
类别数量：1 (狗)。
关键点：包含 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：非常适合训练模型来估计各种场景下的狗姿态，从研究到现实应用均可。
阅读更多关于 Dog-Pose 的信息

Link to this sectionHand Keypoints#

描述：手部关键点姿态数据集包含近 2.6 万张图片，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，但包含人手的 21 个关键点以及可见性维度。
类别数量：1 (手)。
关键点：21 个关键点。
用法：非常适合人体手部姿态估计和手势识别。
阅读更多关于手部关键点的信息

Link to this sectionTiger-Pose#

描述：Ultralytics Tiger Pose 数据集包含 263 张图片，来源于一段 YouTube 视频，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，包含动物姿态的 12 个关键点，没有可见性维度。
类别数量：1 (老虎)。
关键点：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

Link to this section添加你自己的数据集#

如果你有自己的数据集并希望将其用于训练 Ultralytics YOLO 格式的姿态估计模型，请确保它遵循上述“Ultralytics YOLO 格式”要求。将你的标注转换为所需格式，并在 YAML 配置文件中指定路径、类别数量和类别名称。

Link to this section转换工具#

Ultralytics 提供了一个便捷的转换工具，可将流行的 COCO 数据集格式的标签转换为 YOLO 格式：

示例

from ultralytics.data.converter import convert_coco

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

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

Link to this section常见问题解答#

Link to this section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 格式要求为每张图片标注一个对应的文本文件。文本文件的每一行存储有关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，关键点包括归一化的 x 和 y 坐标。如果有可见性维度，每个关键点还有一个可见性标志。有关更多详细信息，请参阅 Ultralytics YOLO 格式。

Link to this section如何将 COCO-Pose 数据集用于 Ultralytics YOLO？#

要将 COCO-Pose 数据集与 Ultralytics YOLO 一起使用，请执行以下操作：

下载数据集并按 YOLO 格式准备你的标签文件。
创建一个 YAML 配置文件，指定训练集和验证集图片的路径、关键点形状和类别名称。

使用配置文件进行训练：

from ultralytics import YOLO

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

有关更多信息，请访问 COCO-Pose 和训练部分。

Link to this section如何为 Ultralytics YOLO 添加自己的姿态估计数据集？#

要添加你的数据集：

将你的标注转换为 Ultralytics YOLO 格式。
创建一个 YAML 配置文件，指定数据集路径、类别数量和类别名称。

使用配置文件来训练你的模型：

from ultralytics import YOLO

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

有关完整步骤，请查看添加你自己的数据集部分。

Link to this sectionUltralytics YOLO 中数据集 YAML 文件的目的是什么？#

Ultralytics YOLO 中的数据集 YAML 文件定义了用于训练的数据集和模型配置。它指定了训练集、验证集和测试集图片的路径、关键点形状、类别名称以及其他配置选项。这种结构化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

阅读更多关于如何在数据集 YAML 格式中创建 YAML 配置文件。

Link to this section如何将 COCO 数据集标签转换为用于姿态估计的 Ultralytics YOLO 格式？#

Ultralytics 提供了一个转换工具，可将 COCO 数据集标签转换为包含关键点信息的 YOLO 格式：

from ultralytics.data.converter import convert_coco

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

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

贡献者

GLglenn-jocher²⁰ RIRizwanMunawar³ RAraimbekovm¹ LALaughing-q¹ Y-Y-T-G¹ MAMatthewNoyce¹ JKjk4e¹

创建于 2023年11月12日更新于 3天前