Tiger-Pose 数据集#
简介#
Ultralytics 推出了 Tiger-Pose 数据集，这是一个专为姿势估计任务设计的多用途数据集。该数据集由 YouTube 视频中的 263 张图像组成，其中 210 张用于训练，53 张用于验证。它是测试和排查姿势估计算法问题的绝佳资源。
尽管 Tiger-Pose 数据集的训练集只有 210 张图像，但它具有多样性，适合评估训练流程、发现潜在错误，也可作为使用更大型数据集进行姿势估计前的重要初步步骤。
当你的训练流程能在这个小型数据集上顺利运行后，可以换用自己的动物或物体关键点数据，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（训练集 210 张 / 验证集 53 张）。
- 关键点：每只老虎有 12 个（无可见性标记）。
- 下载大小：~49.8 MB。
- 目录布局：YOLO 格式的关键点存储在
labels/{train,val}下，与images/{train,val}目录并列。
观看： 在 Tiger-Pose 数据集上训练 Ultralytics YOLO 姿态模型
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。对于 tiger-pose.yaml 文件，具体配置请查看 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用法#
如需在 Tiger-Pose 数据集上训练 YOLO26n-pose 模型 100 个轮次，图像尺寸设为 640，可以使用以下代码片段。可用参数的完整列表请参阅模型训练页面。
from ultralytics import YOLO
# 加载模型
model = YOLO("yolo26n-pose.pt") # 加载预训练模型（推荐用于训练）
# 训练模型
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：此图像展示了由数据集马赛克图像组成的训练批次。马赛克是一种训练时使用的技术，它将多张图像合并为一张图像，从而增加每个训练批次中目标和场景的多样性。这有助于提升模型对不同目标尺寸、长宽比和上下文的泛化能力。
此示例展示了 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增强的好处。
推理示例#
训练完成后，加载效果最好的检查点，并对新图像或视频运行推理；完整参数列表请参阅预测页面。
from ultralytics import YOLO
# 加载模型
model = YOLO("path/to/best.pt") # 加载使用 tiger-pose 训练的模型
# 运行推理
results = model.predict(source="https://youtu.be/Gc6K5eKrTNQ", show=True)引用与致谢#
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，使用或再分发提取的帧之前应先查看这些条款。
常见问题#
Ultralytics Tiger-Pose 数据集专为姿势估计任务设计，包含来自 YouTube 视频的 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、训练和改进姿势估计算法。
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）和kpt_shape: [12, 2]——每个实例包含 12 个关键点，且没有可见性标记。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（训练集 210 张 / 验证集 53 张）、1 个类别、每个实例 12 个关键点，下载大小约为 ~49.8 MB。它规模小，便于快速处理，同时又足够多样，可用于快速检查姿势训练流程，并在使用大型数据集前发现错误。