Yoga for all: A Comprehensive Collection of Yoga Images and Videos dataset
Notice bibliographique
Résumé
The dataset comprises both images and videos depicting right and wrong postures for a variety of Yoga asanas. The focus of the dataset is on 10 specific Yoga postures, namely Anantasana, Ardhakati Chakrasana, Bhujangasana, Kati Chakrasana, Marjariasana, Parvatasana, Sarvangasana, Tadasana, Vajrasana, and Viparita Karani. The Image dataset comprises a total of 11,344 images and is organized into 10 subfolders, each corresponding to a specific Yoga asana. Within each subfolder, there are two additional folders labeled "Right Steps" and "Wrong Steps". The "Right Steps" folder contains several subfolders, each representing a specific step in the right sequence of the Yoga asana and displaying the corresponding images. On the other hand, the "Wrong Steps" folder includes multiple subfolders, each showing images of an wrong steps in the sequence of the Yoga asana. The Yoga asana video dataset consists of 8 videos for each posture, comprising 4 videos demonstrating the right posture from 4 different angles and 4 videos exhibiting the wrong posture from 4 different angles. This dataset includes a total of 80 videos for 10 Yoga asanas, with 40 videos demonstrating the right postures captured from 4 different angles, and 40 videos illustrating the wrong postures from 4 different angles. The dataset has advantages for various groups, such as app developers, machine learning researchers, Yoga instructors, and Yoga practitioners. Machine learning researchers can utilize this dataset to train computer vision algorithms in recognizing and categorizing various yoga postures automatically. App developers can use the dataset to generate yoga apps that present users with visual guidance on executing each posture and keeping track of their progress.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».