Tiger-Pose 数据集#
简介#
Ultralytics 推出了 Tiger-Pose 数据集，这是一个专为姿态估计任务设计的通用数据集。该数据集包含 263 张图像，来源于一个 YouTube 视频，其中 210 张用于训练，53 张用于验证。它是测试和排查姿态估计算法故障的极佳资源。
尽管 Tiger-Pose 数据集只有 210 张图像的精简训练集，但它具有多样性，非常适合评估训练流程、识别潜在错误，并且在处理用于姿态估计的更大规模数据集之前，可以作为有价值的前期准备步骤。
一旦你的流程在这个小型数据集上完成干净的训练，就可以换上你自己的动物或物体关键点，并在 Ultralytics Platform 上扩大训练规模，无需离开浏览器。
数据集结构#
- 图像总数：263（210 张训练 / 53 张验证）。
- 关键点：每只老虎 12 个（无可见度标志）。
- 下载大小：~49.8 MB。
- 目录布局：YOLO 格式的关键点存储在
labels/{train,val}中，与images/{train,val}目录同级。
Watch: Train an Ultralytics YOLO Pose Model on the Tiger-Pose Dataset
数据集 YAML#
YAML 文件用于指定数据集的配置详情。它包含文件路径、类别定义以及其他相关信息等关键数据。具体来说，对于 tiger-pose.yaml 文件，你可以查看 Ultralytics Tiger-Pose Dataset Configuration File。
# 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用法#
要在 Tiger-Pose 数据集上训练一个 YOLO26n-pose 模型 100 个轮次，图像尺寸为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参考模型训练页面。
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="tiger-pose.yaml", epochs=100, imgsz=640)样本图像和标注#
以下是来自 Tiger-Pose 数据集的一些图像示例，以及它们对应的标注：
- 马赛克图像：此图像展示了一个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期间使用的技术，它将多张图像合并为单张图像，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、宽高比和上下文的泛化能力。
该示例展示了 Tiger-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。
推理示例#
训练完成后，加载你的最佳检查点并在新图像或视频上运行推理——有关参数的完整列表，请参阅预测页面。
from ultralytics import YOLO
# Load a model
model = YOLO("path/to/best.pt") # load a tiger-pose trained model
# Run inference
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)引用与致谢#
Ultralytics 在 AGPL-3.0 License 下发布了 Tiger-Pose 数据集标注。源视频仍受其原始条款约束，在使用或重新分发提取的帧之前应仔细阅读。
常见问题解答#
Ultralytics Tiger-Pose 数据集专为姿态估计任务设计，包含 263 张图像，来源于一个 YouTube 视频。该数据集分为 210 张训练图像和 53 张验证图像，非常适合测试、训练和完善姿态估计算法。
tiger-pose.yaml文件定义了数据集路径、训练/验证图像目录、单个类别（tiger）以及kpt_shape: [12, 2]— 每个实例 12 个关键点且无可见性标志。确切的配置请参见 Ultralytics Tiger-Pose Dataset Configuration File。Tiger-Pose 共有 263 张图像（210 张训练 / 53 张验证）、1 个类、每个实例 12 个关键点，下载大小约为 49.8 MB，其规模足够小，可以快速管理，同时又具备足够的多样性，足以在处理更大的数据集之前对姿态训练流程进行完整性检查并识别错误。