مجموعة بيانات وضع النمر
مقدمة
تقدم Ultralytics مجموعة بيانات Tiger-Pose، وهي مجموعة متعددة الاستخدامات مصممة لمهام تقدير الوضعيات. تتكون هذه المجموعة من 263 صورة مأخوذة من فيديو على يوتيوب، مع تخصيص 210 صورة للتدريب و 53 صورة للتحقق. وهي تعتبر مورداً ممتازاً لاختبار واستكشاف أخطاء خوارزميات تقدير الوضعيات وإصلاحها.
على الرغم من حجمه المحدود الذي يبلغ 210 صور، إلا أن مجموعة بيانات Tiger-Pose تقدم تنوعًا، مما يجعلها مناسبة لتقييم مسارات التدريب، وتحديد الأخطاء المحتملة، والعمل كخطوة أولية قيمة قبل العمل مع مجموعات بيانات أكبر لـ تقدير الوضع.
مجموعة البيانات هذه مخصصة للاستخدام مع Ultralytics HUB و YOLO11.
شاهد: تدريب نموذج YOLO11 Pose على مجموعة بيانات Tiger-Pose باستخدام Ultralytics HUB
ملف YAML لمجموعة البيانات
يعمل ملف YAML (وهي لغة ترميز أخرى) كوسيلة لتحديد تفاصيل تكوين مجموعة البيانات. وهو يشمل بيانات حاسمة مثل مسارات الملفات وتعريفات الفئات والمعلومات الأخرى ذات الصلة. على وجه التحديد، بالنسبة إلى tiger-pose.yaml الملف، يمكنك التحقق من ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.
ultralytics/cfg/datasets/tiger-pose.yaml
# 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
# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/tiger-pose.zip
الاستخدام
لتدريب نموذج YOLO11n-pose على مجموعة بيانات Tiger-Pose لعدد 100 epoch بحجم صورة 640، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على قائمة شاملة بالوسائط المتاحة، راجع صفحة تدريب النموذج.
مثال على التدريب
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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
عينات من الصور والشروحات التوضيحية
فيما يلي بعض الأمثلة لصور من مجموعة بيانات Tiger-Pose، بالإضافة إلى الشروح التوضيحية المقابلة لها:
- صورة مجمعة: توضح هذه الصورة دفعة تدريبية تتكون من صور مجموعة بيانات مجمعة. التجميع هو أسلوب يستخدم أثناء التدريب يجمع بين صور متعددة في صورة واحدة لزيادة تنوع الكائنات والمشاهد داخل كل دفعة تدريبية. يساعد هذا في تحسين قدرة النموذج على التعميم على أحجام الكائنات ونسب العرض إلى الارتفاع والسياقات المختلفة.
يعرض المثال تنوع وتعقيد الصور في مجموعة بيانات Tiger-Pose وفوائد استخدام التجميع أثناء عملية التدريب.
مثال على الاستدلال
مثال على الاستدلال
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/MIBAT6BGE6U", show=True)
# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"
الاقتباسات والإقرارات
تم إصدار مجموعة البيانات بموجب ترخيص AGPL-3.0.
الأسئلة الشائعة
فيما تستخدم مجموعة بيانات Ultralytics Tiger-Pose؟
تم تصميم مجموعة بيانات Ultralytics Tiger-Pose لمهام تقدير الوضع، وتتكون من 263 صورة مأخوذة من فيديو YouTube. تنقسم مجموعة البيانات إلى 210 صورة تدريب و 53 صورة تحقق. إنه مفيد بشكل خاص لاختبار وتدريب وتحسين خوارزميات تقدير الوضع باستخدام Ultralytics HUB و YOLO11.
كيف يمكنني تدريب نموذج YOLO11 على مجموعة بيانات Tiger-Pose؟
لتدريب نموذج YOLO11n-pose على مجموعة بيانات Tiger-Pose لعدد 100 epoch بحجم صورة 640، استخدم مقتطفات التعليمات البرمجية التالية. لمزيد من التفاصيل، قم بزيارة صفحة التدريب:
مثال على التدريب
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="tiger-pose.yaml", epochs=100, imgsz=640)
# Start training from a pretrained *.pt model
yolo task=pose mode=train data=tiger-pose.yaml model=yolo11n-pose.pt epochs=100 imgsz=640
ما هي التكوينات التي يشتمل عليها tiger-pose.yaml يتضمن؟
في tiger-pose.yaml يستخدم لتحديد تفاصيل التكوين لمجموعة بيانات Tiger-Pose. يتضمن بيانات حاسمة مثل مسارات الملفات وتعريفات الفئات. لرؤية التكوين الدقيق، يمكنك التحقق من ملف تكوين مجموعة بيانات Ultralytics Tiger-Pose.
كيف يمكنني تشغيل الاستدلال باستخدام نموذج YOLO11 تم تدريبه على مجموعة بيانات Tiger-Pose؟
لإجراء الاستدلال باستخدام نموذج YOLO11 تم تدريبه على مجموعة بيانات Tiger-Pose، يمكنك استخدام مقتطفات التعليمات البرمجية التالية. للحصول على دليل مفصل، قم بزيارة صفحة التنبؤ:
مثال على الاستدلال
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/MIBAT6BGE6U", show=True)
# Run inference using a tiger-pose trained model
yolo task=pose mode=predict source="https://youtu.be/MIBAT6BGE6U" show=True model="path/to/best.pt"
ما هي فوائد استخدام مجموعة بيانات Tiger-Pose لتقدير الوضعية؟
على الرغم من حجمه المناسب الذي يبلغ 210 صورة للتدريب، توفر مجموعة بيانات Tiger-Pose مجموعة متنوعة من الصور المثالية لاختبار خطوط أنابيب تقدير الوضع. تساعد مجموعة البيانات في تحديد الأخطاء المحتملة وتعمل كخطوة أولية قبل العمل مع مجموعات بيانات أكبر. بالإضافة إلى ذلك، تدعم مجموعة البيانات تدريب وتحسين خوارزميات تقدير الوضع باستخدام أدوات متقدمة مثل Ultralytics HUB و YOLO11، مما يعزز أداء النموذج و دقته.
