跳至内容

狗姿势数据集

导言

狗姿势数据集 UltralyticsDog-pose 数据集是专为狗的关键点估算而设计的高质量、广泛的数据集。该数据集包含 6,773 张训练图像和 1,703 张测试图像，为训练稳健的姿态估计模型奠定了坚实的基础。每张注释图像包括 24 个关键点，每个关键点有 3 个维度（x、y、可见度），是计算机视觉高级研究和开发的宝贵资源。

Ultralytics 狗姿势显示图像

本数据集用于Ultralytics HUB 和 YOLO11.

数据集 YAML

YAML（另一种标记语言）文件用于定义数据集配置。它包括路径、关键点详细信息和其他相关信息。就 Dog-pose 数据集而言，YAML 文件中的 dog-pose.yaml 可在 https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/dog-pose.yaml.

ultralytics/cfg/datasets/dog-pose.yaml

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

# Dogs dataset http://vision.stanford.edu/aditya86/ImageNetDogs/ by Stanford
# Documentation: https://docs.ultralytics.com/datasets/pose/dog-pose/
# Example usage: yolo train data=dog-pose.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── dog-pose  ← downloads here (337 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/dog-pose # dataset root dir
train: train # train images (relative to 'path') 6773 images
val: val # val images (relative to 'path') 1703 images

# Keypoints
kpt_shape: [24, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)

# Classes
names:
  0: dog

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

使用方法

要在图像大小为 640 的 Dog-pose 数据集上训练 YOLO11n-pose 模型 100次，可以使用以下代码片段。有关可用参数的完整列表，请参阅模型训练页面。

列车示例

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

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

图片和注释示例

以下是 Dog-pose 数据集中的一些图像示例及其相应的注释：

数据集样本图像

  • 镶嵌图像：该图像展示了由马赛克数据集图像组成的训练批次。马赛克是一种在训练过程中使用的技术，可将多幅图像合并为单幅图像，以增加每个训练批次中物体和场景的多样性。这有助于提高模型对不同物体尺寸、长宽比和环境的泛化能力。

该示例展示了 Dog-pose 数据集中图像的多样性和复杂性，以及在训练过程中使用马赛克的好处。

引文和致谢

如果您在研究或开发工作中使用 Dog-pose 数据集，请引用以下论文：

@inproceedings{khosla2011fgvc,
  title={Novel dataset for Fine-Grained Image Categorization},
  author={Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and Li Fei-Fei},
  booktitle={First Workshop on Fine-Grained Visual Categorization (FGVC), IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2011}
}
@inproceedings{deng2009imagenet,
  title={ImageNet: A Large-Scale Hierarchical Image Database},
  author={Jia Deng and Wei Dong and Richard Socher and Li-Jia Li and Kai Li and Li Fei-Fei},
  booktitle={IEEE Computer Vision and Pattern Recognition (CVPR)},
  year={2009}
}

斯坦福团队为计算机视觉界创建并维护了这一宝贵资源，我们在此表示感谢。有关 Dog-pose 数据集及其创建者的更多信息，请访问斯坦福 Dogs Dataset 网站。

常见问题

什么是 Dog-pose 数据集，如何与Ultralytics YOLO11 一起使用？

狗姿态数据集包含 6,773 张训练图像和 1,703 张测试图像，其中标注了 24 个关键点，用于狗姿态估计。该数据集旨在使用 Ultralytics YOLO11训练和验证模型，支持动物行为分析、宠物监测和兽医研究等应用。该数据集的全面注释使其成为开发犬类精确姿态估计模型的理想之选。

如何使用Ultralytics 中的 Dog-pose 数据集训练YOLO11 模型？

要在图像大小为 640 的 Dog-pose 数据集上训练 YOLO11n-pose 模型 100 次，请参考以下示例：

列车示例

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n-pose.pt")

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

yolo pose train data=dog-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

有关培训论点的完整列表，请参阅模型培训页面。

使用 Dog-pose 数据集有什么好处？

Dog-pose 数据集有几个优点：

庞大多样的数据集：该数据集拥有 8,400 多张图片，提供了涵盖各种狗的姿势、品种和环境的大量数据，从而能够进行强大的模型训练和评估。

详细的关键点注释：每幅图像包含 24 个关键点，每个关键点有 3 个维度（x、y、可见度），可为训练精确的姿势检测模型提供精确的注释。

真实世界场景：包括来自不同环境的图像，增强了模型在宠物监控和行为分析等真实世界应用中的通用能力。

迁移学习优势：该数据集能很好地与迁移学习技术配合使用，使在人类姿势数据集上预先训练好的模型能够适应狗的特定特征。

有关其功能和使用方法的更多信息，请参阅数据集介绍部分。

使用 Dog-pose 数据集对YOLO11 的训练过程进行镶嵌有什么好处？

如 Dog-pose 数据集的样本图像所示，马赛克拼接技术可将多张图像合并为一张合成图像，从而丰富每个训练批次中物体和场景的多样性。这种技术有几个好处：

  • 增加每批狗的姿势、大小和背景的多样性
  • 提高模型在不同环境和规模下检测狗的能力
  • 让模型接触更多不同的视觉模式，从而增强通用性
  • 通过创建新颖的训练实例组合来减少过度拟合

这种方法可以建立更强大的模型，在实际场景中表现更好。有关图像示例，请参阅示例图像和注释部分。

在哪里可以找到 Dog-pose 数据集 YAML 文件？

Dog-pose 数据集 YAML 文件可在ultralytics 找到。该文件定义了数据集配置，包括路径、类、关键点细节和其他相关信息。YAML 文件指定了 24 个关键点，每个关键点有 3 个维度，因此适用于详细的姿态估计任务。

要在YOLO11 训练脚本中使用该文件，只需在训练命令中引用该文件即可，如 "使用方法"部分所示。首次使用时，数据集将自动下载，因此设置非常简单。

有关更多常见问题和详细文档，请访问Ultralytics 文档。

📅创建于 5 个月前 ✏️已更新 12 天前
翔宇 里兹万-穆纳瓦

评论