Kaplan Duruşu Veri Kümesi

Giriş

Ultralytics, poz tahmini görevleri için tasarlanmış çok yönlü bir koleksiyon olan Tiger-Pose veri kümesini sunar. Bu veri kümesi, bir YouTube Videosu'ndan elde edilen 263 görüntüden oluşur ve 210 görüntü eğitim ve 53 görüntü doğrulama için ayrılmıştır. Poz tahmini algoritmalarını test etmek ve sorun gidermek için mükemmel bir kaynak görevi görür.

Tiger-Pose veri kümesi, yönetilebilir 210 resim boyutuna rağmen, eğitim hatlarını değerlendirmek, potansiyel hataları belirlemek ve poz tahmini için daha büyük veri kümeleriyle çalışmadan önce değerli bir ön adım olarak hizmet etmek için uygun hale getiren çeşitlilik sunar.

Bu veri kümesi, Ultralytics HUB ve YOLO11 ile kullanılmak üzere tasarlanmıştır.

İzle: Ultralytics HUB Kullanarak Kaplan-Poz Veri Kümesinde YOLO11 Poz Modeli Eğitimi

Veri Seti YAML

Bir YAML (Yet Another Markup Language) dosyası, bir veri kümesinin yapılandırma ayrıntılarını belirtmek için bir araç görevi görür. Dosya yolları, sınıf tanımları ve diğer ilgili bilgiler gibi önemli verileri kapsar. Özellikle, tiger-pose.yaml dosyasını kontrol edebilirsiniz Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası.

# 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

Kullanım

640 görüntü boyutuyla 100 epoch için Tiger-Pose veri kümesinde bir YOLO11n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Mevcut argümanların kapsamlı bir listesi için model Eğitim sayfasına bakın.

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

Örnek Görüntüler ve Açıklamalar

İşte Tiger-Pose veri kümesinden bazı resim örnekleri ve bunlara karşılık gelen açıklamalar:

• Mozaiklenmiş Görüntü: Bu görüntü, mozaiklenmiş veri seti görüntülerinden oluşan bir eğitim grubunu göstermektedir. Mozaikleme, her eğitim grubundaki nesnelerin ve sahnelerin çeşitliliğini artırmak için birden çok görüntüyü tek bir görüntüde birleştiren eğitim sırasında kullanılan bir tekniktir. Bu, modelin farklı nesne boyutlarına, en boy oranlarına ve bağlamlara genelleme yeteneğini geliştirmeye yardımcı olur.

Örnek, Tiger-Pose veri setindeki görüntülerin çeşitliliğini ve karmaşıklığını ve eğitim sürecinde mozaiklemenin faydalarını sergilemektedir.

Çıkarım Örneği

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"

Alıntılar ve Teşekkürler

Veri kümesi, AGPL-3.0 Lisansı altında yayınlanmıştır.

SSS

Ultralytics Tiger-Pose veri seti ne için kullanılır?

Ultralytics Tiger-Pose veri kümesi, bir YouTube videosundan elde edilen 263 görüntüden oluşan poz tahmini görevleri için tasarlanmıştır. Veri kümesi 210 eğitim görüntüsü ve 53 doğrulama görüntüsüne ayrılmıştır. Ultralytics HUB ve YOLO11 kullanılarak poz tahmini algoritmalarını test etmek, eğitmek ve iyileştirmek için özellikle kullanışlıdır.

Kaplan-Poz veri kümesi üzerinde bir YOLO11 modeli nasıl eğitirim?

640 görüntü boyutuyla 100 epoch için Tiger-Pose veri kümesinde bir YOLO11n-pose modeli eğitmek için aşağıdaki kod parçacıklarını kullanın. Daha fazla ayrıntı için Eğitim sayfasını ziyaret edin:

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

Hangi yapılandırmaları tiger-pose.yaml dosyası dahil mi?

tiger-pose.yaml dosyası, Tiger-Pose veri kümesinin yapılandırma ayrıntılarını belirtmek için kullanılır. Dosya yolları ve sınıf tanımları gibi önemli verileri içerir. Tam yapılandırmayı görmek için şuraya göz atabilirsiniz: Ultralytics Tiger-Pose Veri Kümesi Yapılandırma Dosyası.

Tiger-Pose veri kümesi üzerinde eğitilmiş bir YOLO11 modeli kullanarak çıkarımı nasıl çalıştırabilirim?

Tiger-Pose veri kümesi üzerinde eğitilmiş bir YOLO11 modeli kullanarak çıkarım gerçekleştirmek için aşağıdaki kod parçacıklarını kullanabilirsiniz. Ayrıntılı bir kılavuz için Tahmin sayfasını ziyaret edin:

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"

Poz tahmini için Tiger-Pose veri kümesini kullanmanın faydaları nelerdir?

Tiger-Pose veri kümesi, eğitim için yönetilebilir 210 görüntü boyutuna rağmen, poz tahmini işlem hatlarını test etmek için ideal olan çeşitli bir görüntü koleksiyonu sağlar. Veri kümesi, potansiyel hataları belirlemeye yardımcı olur ve daha büyük veri kümeleriyle çalışmadan önce bir ön adım görevi görür. Ek olarak, veri kümesi, model performansını ve doğruluğunu artıran Ultralytics HUB ve YOLO11 gibi gelişmiş araçları kullanarak poz tahmini algoritmalarının eğitimini ve iyileştirilmesini destekler.

📅 1 yıl önce oluşturuldu ✏️ 4 ay önce güncellendi

Yorumlar