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样化集合。该数据集包含从 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。它是一个极佳的资源，适用于测试和调试姿态估计算法。

尽管只有 210 张图像，Tiger-Pose 数据集提供了多样性，适合评估训练流程、识别潜在错误，并在处理更大规模的姿态估计数据集之前作为有价值的初步步骤。

该数据集旨在与 Ultralytics HUB 和 YOLO11 一起使用。

观看: 使用 Ultralytics HUB 在 Tiger-Pose 数据集上训练 YOLO11 姿态模型

数据集 YAML

YAML（Yet Another Markup Language）文件用于指定数据集的配置细节。它包含文件路径、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，您可以查看 Ultralytics Tiger-Pose 数据集配置文件。

ultralytics/cfg/datasets/tiger-pose.yaml

# Ultralytics YOLO 🚀, AGPL-3.0 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 (75.3 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/tiger-pose # dataset root dir
train: train # train images (relative to 'path') 210 images
val: 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

# 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 数据集上训练一个 YOLO11n-pose 模型，进行 100 个 epochs，图像大小为 640，您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。

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-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)

# 从预训练的 *.pt 模型开始训练
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt 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：

数据集示例图像

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过程中使用的技术，将多张图像合并为一张图像，以增加每个训练批次中对象和场景的多样性。这有助于提高模型对不同对象大小、宽高比和上下文环境的泛化能力。

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技术的好处。

推理示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载经过 tiger-pose 训练的模型

# 运行推理
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)

# 使用经过 tiger-pose 训练的模型进行推理
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

引用和致谢

该数据集已根据 AGPL-3.0 许可证发布。

常见问题

Ultralytics Tiger-Pose 数据集用于什么？

Ultralytics Tiger-Pose 数据集专为姿态估计任务设计，包含从 YouTube 视频中获取的 263 张图像。该数据集分为 210 张训练图像和 53 张验证图像。它特别适用于使用 Ultralytics HUB 和 YOLO11 测试、训练和优化姿态估计算法。

如何在 Tiger-Pose 数据集上训练 YOLO11 模型？

要在 Tiger-Pose 数据集上以 640 的图像尺寸训练 YOLO11n-pose 模型 100 个周期，请使用以下代码片段。更多详情，请访问训练页面：

训练示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n-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)

# 从预训练的 *.pt 模型开始训练
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640

`tiger-pose.yaml` 文件包含哪些配置？

tiger-pose.yaml 文件用于指定 Tiger-Pose 数据集的配置细节。它包含关键数据，如文件路径和类别定义。要查看确切的配置，您可以查看 Ultralytics Tiger-Pose 数据集配置文件。

如何使用在 Tiger-Pose 数据集上训练的 YOLO11 模型进行推理？

要使用在 Tiger-Pose 数据集上训练的 YOLO11 模型进行推理，您可以使用以下代码片段。详细指南请访问预测页面：

推理示例

PythonCLI

from ultralytics import YOLO

# 加载模型
model = YOLO("path/to/best.pt")  # 加载在 tiger-pose 上训练的模型

# 运行推理
results = model.predict(source="https://youtu.be/MIBAT6BGE6U", show=True)

# 使用在 tiger-pose 上训练的模型进行推理
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"

使用 Tiger-Pose 数据集进行姿态估计的好处是什么？

尽管 Tiger-Pose 数据集的训练图像数量仅为 210 张，但它提供了多样化的图像集合，非常适合测试姿态估计管道。该数据集有助于识别潜在错误，并在处理更大数据集之前作为初步步骤。此外，该数据集支持使用 Ultralytics HUB 和 YOLO11 等高级工具训练和优化姿态估计算法，从而提高模型性能和准确性。