Yoga dataset: A resource for computer vision-based analysis of Yoga asanas
Notice bibliographique
Résumé
The practice of yoga has been shown to have numerous benefits for both physical and mental health, and it has gained popularity worldwide as a form of exercise and relaxation. However, yoga postures can be complex and challenging, especially for beginners who may struggle with proper alignment and positioning. To address this issue, there is a need for a dataset of different yoga postures that can be used to develop computer vision algorithms capable of recognizing and analyzing yoga poses. For this we created the image and video datasets of different yoga asana using the mobile device Samsung Galaxy M30s. The dataset contains images and videos of effective (right) and ineffective postures for 10 Yoga asana, with a total of 11,344 images and 80 videos. The image dataset is organized into 10 subfolders, each with "Effective (right) Steps" and "Ineffective (wrong) Steps" folders. The video dataset has 4 videos for each posture, with 40 videos demonstrating effective (right) postures and 40 demonstrating ineffective (wrong) postures. This dataset benefits app developers, machine learning researchers, Yoga instructors, and practitioners, who can use it to develop apps, train computer vision algorithms, and improve their practice. We strongly believe that this type of dataset would provide the foundation for the development of new technologies that can help individuals improve their Yoga practice, such as posture detection and correction tools or personalized recommendations based on individual abilities and needs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,022 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».