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多用途数据集。该数据集包含从一个 YouTube 视频 中提取的 263 张图像，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的优秀资源。
尽管训练集只有 210 张图像，Tiger-Pose 数据集仍然具有多样性，非常适合评估训练流水线、发现潜在错误，并在使用更大型的数据集进行姿态估计之前作为有价值的初步步骤。
当你的流水线在这个小型数据集上完成稳定训练后，替换为你自己的动物或物体关键点，并直接在浏览器中通过 Ultralytics Platform 扩大训练规模。
数据集结构#
- 图像总数：263（210 张训练图像 / 53 张验证图像）。
- 关键点：每只老虎 12 个（无可见性标志）。
- 下载大小：~49.8 MB。
- 目录结构：YOLO 格式的关键点存储在
labels/{train,val}下，与images/{train,val}目录并列。
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，其中包含文件路径、类别定义和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 数据集配置文件。
# 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使用方法#
要在 Tiger-Pose 数据集上训练 YOLO26n-pose 模型 100 个周期，并将图像大小设为 640，你可以使用以下代码片段。有关可用参数的完整列表，请参阅模型的训练页面。
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)示例图像和标注#
以下是 Tiger-Pose 数据集中的一些图像示例及其对应的标注：
- 马赛克图像：此图像展示了由马赛克拼接数据集图像组成的训练批次。马赛克拼接是训练期间使用的一种技术，它将多张图像合并为一张图像，以增加每个训练批次中物体和场景的多样性。这有助于提升模型对不同物体大小、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图像拼接的优势。
推理示例#
训练完成后，加载效果最佳的检查点，并对新图像或视频运行推理——有关完整的参数列表，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)引用和致谢#
Ultralytics 根据 AGPL-3.0 许可证发布 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，应先查看这些条款。
常见问题#
Ultralytics Tiger-Pose 数据集专为姿态估计任务设计，包含从一个 YouTube 视频 中提取的 263 张图像。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、训练和优化姿态估计算法。
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]——每个实例包含 12 个关键点，且没有可见性标志。有关确切配置，请参阅 Ultralytics Tiger-Pose 数据集配置文件。Tiger-Pose 总共包含 263 张图像（210 张训练图像 / 53 张验证图像）、1 个类别、每个实例 12 个关键点，下载大小约为 ~49.8 MB。它规模较小，便于快速管理，同时具有足够的多样性，可用于初步检查姿态训练流水线，并在使用更大型的数据集之前发现错误。