Animal Pose 数据集
Animal Pose 数据集是在 ICCV2019 上提出的。
该数据集分为两个子集，子集一包括牛、羊、马、猫、狗五类动物，有边界框和关键点标注，格式遵循 COCO 格式，关键点可见标志为 1 时表示未被遮挡且已标注。
子集二包括其他七个物种的动物，用于无监督域适应任务，仅提供边界框坐标。数据集可从谷歌网盘下载，链接直接到github官网下载（很讨厌tt有点就是不允许放链接）。
论文介绍：《Cross-domain adaptation for animal pose estimation》这一论文
训练精度
这是我训练的一个yolo-pose 模型的结果，感觉效果还是挺不错的
预测可视化例子
Animal Pose数据集的应用场景
跨域适应研究：通过数据集中不同类别动物的标注信息，助力研究如何在不同动物物种、不同场景下，更准确地实现姿态估计模型的跨域应用，提升模型的泛化能力1。动物姿态估计任务：数据集中包含动物的边界框和关键点标注（Part I），可直接用于训练和评估动物姿态估计模型。研究人员可以利用这些标注数据，训练模型来识别动物的身体部位位置和姿态，对于理解动物行为、动物健康监测等实际应用具有重要意义 。无监督域适应任务：Part II 子集提供了其他七个物种的动物数据，专门用于无监督域适应任务。研究人员可借此探索在没有大量标注数据的情况下，如何将已有模型应用到新的动物物种或场景中，推动无监督学习在动物姿态估计领域的发展。还有那些关于animal pose的数据集
AP-10K 数据集： 是第一个大规模的哺乳动物姿态数据集。 包含大约 1 万张标记有姿态信息的哺乳动物图片，这些图片从生物学角度被归纳为 23 科、54 个物种。 定义了 17 个关键点来描述不同种类的哺乳动物，这些关键点从动物的骨骼位置和运动特点角度作了权衡，最大程度上描述了动物的外形和运动特点。 目前已经集成到 MM-Pose 框架。
fdma 数据集：动物脸部关键点数据集，旨在测试人类面部相关算法的最新技术是否可以适应动物面孔中的更大挑战差异性。可用于动物脸部关键点定位。animalparts 数据集：是一个动物关键点的数据集，主要是动物的眼部和脚部的关键点，包含来自 ILSVRC2012 “vertebrate” 中的 100 种动物类别，15000 张图像。可用于动物关键点定位。stanfordextra 数据集：主要对动物的 2D 关节点和轮廓信息进行标注，以进行训练和评估，在此基础上对动物的 3D 重建达到最好的状态。包含各种姿势的 120 个犬种，12000 张图像数据。可用于动物分割、动物姿态。ChimpACT 数据集：第一个全面可用于研究黑猩猩行为的纵向数据集，具有丰富的注释标签，包括个体识别、追踪、姿态和精细的时空行为标签等。跨越 2015 年到 2018 年，包含了德国莱比锡动物园一个由 20 多只黑猩猩组成的群体的视频，特别关注记录一只年轻雄性 Azibo 黑猩猩的成长发展轨迹。具有纵向数据、半自然的生活和社交环境、行为图谱这三个特性。