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、val 和 test 字段分别指向训练、验证和测试图像。每个字段都接受一个目录、一个目录列表或一个 *.txt 文件（每行包含一个图像路径，以 ./ 开头的路径相对于 *.txt 文件进行解析）。使用 *.txt 文件可以方便你在目录的子集上进行训练、跳过未标注的图像，或将来自多个来源的图像合并为一个分割集。

作为 `*.txt` 文件的图像路径

path: datasets/coco8-pose # dataset root
train: train.txt # a directory, a list e.g. [images/a, images/b], or a *.txt file
val: val.txt
names:
  0: person

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）flip_idx 将每个关键点映射到其镜像，因此水平翻转增强能在人体或面部等对称骨架上保持左右一致。对于索引为 [左眼, 右眼, 鼻子, 左嘴, 右嘴] = [0, 1, 2, 3, 4] 的五个面部地标，flip_idx 为 [1, 0, 2, 4, 3]：左右配对 0-1 和 3-4 进行交换，鼻子保留其自身索引。

(Optional) kpt_oks_sigmas sets custom per-keypoint OKS sigmas used during validation, e.g. [0.26, 0.25, 0.25, ...]. The list length must equal the number of keypoints N from kpt_shape, and every value must be positive. When omitted, the COCO 17-keypoint sigmas are used for kpt_shape: [17, 3] and a uniform 1/N otherwise.

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 pose estimation 模型的数据集：

Link to this sectionCOCO-Pose#

描述：COCO-Pose 是一个大规模人体姿态估计数据集，涵盖了包含关键点标注人员的 COCO 2017 图像。
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 种关键点类型，包括鼻子、眼睛、耳朵、肩膀、手肘、手腕、臀部、膝盖和脚踝，每种都具有可见性维度。
用法：适用于训练人体姿态估计模型。
其他说明：该数据集基于 COCO Keypoints 2017 挑战构建：包含 58,945 张带有 156,165 名人员标注的图像。
阅读更多关于 COCO-Pose 的信息

Link to this sectionCOCO8-Pose#

描述：Ultralytics COCO8-Pose 是一个小巧但功能通用的姿态估计数据集，由 COCO 2017 训练集的前 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，包含人体姿态的关键点。
类别数量：1 (人)。
关键点：17 种关键点类型，包括鼻子、眼睛、耳朵、肩膀、手肘、手腕、臀部、膝盖和脚踝，每种都具有可见性维度。
用法：适用于测试和调试姿态估计模型，或用于尝试新的关键点检测方法。
附加说明：COCO8-Pose 非常适合用于健全性检查和 CI checks。
阅读更多关于 COCO8-Pose 的信息

Link to this sectionDog-Pose#

描述：Ultralytics Dog-Pose 数据集包含 6,773 张训练图像和 1,703 张验证图像，用于犬类关键点估计。
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：24 个关键点，每个都有可见性维度，专为四肢、关节和头部位置等犬类姿态设计。
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。
补充说明：源图像取自 Stanford Dogs Dataset。
阅读更多关于 Dog-Pose 的信息

Link to this sectionHand Keypoints#

描述：Ultralytics Hand Keypoints 数据集包含 26,768 张图像，其中 18,776 张分配用于训练，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。
补充说明：关键点标注是使用 Google MediaPipe 生成的，以确保标注的一致性。
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 张来自 YouTube 视频的图像，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，具有 12 个用于动物姿态的关键点，且没有可见性维度。
类别数量：1 (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。
补充说明：根据 AGPL-3.0 License 发布。
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。

要完全跳过转换步骤，Ultralytics Platform 允许你上传原始图像、在浏览器中标注关键点，并直接在生成的数据集上进行训练。

Link to this section转换工具#

Ultralytics 提供了一个便捷的转换工具，可将常用 COCO dataset 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？#

coco-pose.yaml 随包提供，并在首次使用时下载图像和标签，因此无需手动准备：

from ultralytics import YOLO

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

有关数据集的详细信息，请参阅 COCO-Pose，有关完整参数列表，请参阅 Train 页面。

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)

该工具可帮助你将 COCO 数据集无缝集成到 YOLO 项目中。有关详细信息，请参阅 Conversion Tool 部分以及 data preprocessing guide。

贡献者

GLglenn-jocher²² RAraimbekovm⁵ RIRizwanMunawar³ COcosmo-gb¹ MImiles-deans-ultralytics¹ LALaughing-q¹ Y-Y-T-G¹ MAMatthewNoyce¹ JKjk4e¹

创建于 2023年11月12日更新于 4天前