Roboflow 100 Datensatz

Roboflow 100, entwickelt von Roboflow entwickelt und von Intel gesponsert, ist ein bahnbrechender Benchmark zur Objekterkennung. Er umfasst 100 verschiedene Datensätze, die aus über 90.000 öffentlichen Datensätzen ausgewählt wurden. Dieser Benchmark wurde entwickelt, um die Anpassungsfähigkeit von Modellen in verschiedenen Bereichen wie dem Gesundheitswesen, Luftbildern und Videospielen zu testen.

Hauptmerkmale

• Enthält 100 Datensätze aus sieben Bereichen: Luftbild, Videospiele, Mikroskopie, Unterwasser, Dokumente, Elektromagnetik und reale Welt.
• Der Benchmark umfasst 224.714 Bilder in 805 Klassen, die in über 11.170 Stunden beschriftet wurden.
• Alle Bilder werden auf 640x640 Pixel verkleinert, wobei darauf geachtet wird, dass keine Mehrdeutigkeit der Klassen entsteht und unterrepräsentierte Klassen herausgefiltert werden.
• Die Annotationen enthalten Bounding Boxes für Objekte und eignen sich daher zum Trainieren und Bewerten von Objekterkennungsmodellen.

Struktur des Datensatzes

Der Roboflow 100-Datensatz ist in sieben Kategorien unterteilt, jede mit einem eigenen Satz von Datensätzen, Bildern und Klassen:

• Luftbilder: Besteht aus 7 Datensätzen mit insgesamt 9.683 Bildern, die 24 verschiedene Klassen abdecken.
• Videospiele: Enthält 7 Datensätze mit 11.579 Bildern in 88 Klassen.
• Mikroskopisch: Umfasst 11 Datensätze mit 13.378 Bildern, die 28 Klassen abdecken.
• Unterwasser: Enthält 5 Datensätze, die 18.003 Bilder in 39 Klassen umfassen.
• Dokumente: Besteht aus 8 Datensätzen mit 24.813 Bildern, die in 90 Klassen unterteilt sind.
• Elektromagnetisch: Besteht aus 12 Datensätzen mit insgesamt 36.381 Bildern in 41 Klassen.
• Reale Welt: Die größte Kategorie mit 50 Datensätzen, die 110.615 Bilder in 495 Klassen enthalten.

Diese Struktur ermöglicht ein vielfältiges und umfangreiches Testfeld für Modelle zur Objekterkennung, das reale Anwendungsszenarien widerspiegelt.

Benchmarking

Beim Datensatz-Benchmarking wird die Leistung von Machine-Learning-Modellen auf bestimmten Datensätzen anhand von standardisierten Kennzahlen wie Genauigkeit, durchschnittlicher Präzision und F1-Score bewertet.

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolov8s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove the 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Anwendungen

Roboflow 100 ist von unschätzbarem Wert für verschiedene Anwendungen in den Bereichen Computer Vision und Deep Learning. Forscher und Ingenieure können diesen Benchmark nutzen, um:

• Evaluiere die Leistung von Objekterkennungsmodellen in einem Multi-Domain-Kontext.
• Teste die Anpassungsfähigkeit der Modelle an reale Szenarien, die über die normale Objekterkennung hinausgehen.
• Vergleiche die Fähigkeiten von Objekterkennungsmodellen mit verschiedenen Datensätzen, z. B. aus dem Gesundheitswesen, Luftbildern und Videospielen.

Weitere Ideen und Inspirationen für praktische Anwendungen findest du in unseren Leitfäden für praktische Projekte.

Verwendung

Der Roboflow 100 Datensatz ist sowohl auf GitHub als auch auf Roboflow Universe verfügbar.

Du kannst direkt über das Roboflow 100 GitHub Repository darauf zugreifen. Außerdem hast du auf Roboflow Universe die Möglichkeit, einzelne Datensätze herunterzuladen, indem du einfach auf den Export-Button in jedem Datensatz klickst.

Beispieldaten und Anmerkungen

Roboflow 100 besteht aus Datensätzen mit verschiedenen Bildern und Videos, die aus verschiedenen Blickwinkeln und Domänen aufgenommen wurden. Hier ist ein Blick auf Beispiele für kommentierte Bilder im RF100-Benchmark.

Die Vielfalt im Roboflow 100 Benchmark, die oben zu sehen ist, ist ein bedeutender Fortschritt gegenüber den traditionellen Benchmarks, die sich oft auf die Optimierung einer einzigen Metrik innerhalb eines begrenzten Bereichs konzentrieren.

Zitate und Danksagungen

Wenn du den Roboflow 100-Datensatz in deiner Forschungs- oder Entwicklungsarbeit verwendest, zitiere bitte das folgende Dokument:

@misc{2211.13523,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Eprint = {arXiv:2211.13523},
}

Unser Dank gilt dem Team von Roboflow und allen Mitwirkenden für ihre harte Arbeit bei der Erstellung und Pflege des Roboflow 100 Datensatzes.

Wenn du an weiteren Datensätzen interessiert bist, um deine Projekte zur Objekterkennung und zum maschinellen Lernen zu verbessern, kannst du unsere umfangreiche Datensatzsammlung besuchen.

FAQ

Was ist der Roboflow 100-Datensatz und warum ist er für die Objekterkennung wichtig?

Der Roboflow 100-Datensatz, entwickelt von Roboflow entwickelt und von Intel gesponsert wurde, ist ein wichtiger Benchmark für die Objekterkennung. Er enthält 100 verschiedene Datensätze aus über 90.000 öffentlichen Datensätzen, die Bereiche wie das Gesundheitswesen, Luftbilder und Videospiele abdecken. Diese Vielfalt stellt sicher, dass sich die Modelle an verschiedene reale Szenarien anpassen können, was ihre Robustheit und Leistung erhöht.

Wie kann ich den Roboflow 100-Datensatz zum Benchmarking meiner Objekterkennungsmodelle verwenden?

Um den Roboflow 100-Datensatz für das Benchmarking zu nutzen, kannst du die Klasse RF100Benchmark aus der Bibliothek Ultralytics implementieren. Hier ist ein kurzes Beispiel:

import os
import shutil
from pathlib import Path

from ultralytics.utils.benchmarks import RF100Benchmark

# Initialize RF100Benchmark and set API key
benchmark = RF100Benchmark()
benchmark.set_key(api_key="YOUR_ROBOFLOW_API_KEY")

# Parse dataset and define file paths
names, cfg_yamls = benchmark.parse_dataset()
val_log_file = Path("ultralytics-benchmarks") / "validation.txt"
eval_log_file = Path("ultralytics-benchmarks") / "evaluation.txt"

# Run benchmarks on each dataset in RF100
for ind, path in enumerate(cfg_yamls):
    path = Path(path)
    if path.exists():
        # Fix YAML file and run training
        benchmark.fix_yaml(str(path))
        os.system(f"yolo detect train data={path} model=yolov8s.pt epochs=1 batch=16")

        # Run validation and evaluate
        os.system(f"yolo detect val data={path} model=runs/detect/train/weights/best.pt > {val_log_file} 2>&1")
        benchmark.evaluate(str(path), str(val_log_file), str(eval_log_file), ind)

        # Remove 'runs' directory
        runs_dir = Path.cwd() / "runs"
        shutil.rmtree(runs_dir)
    else:
        print("YAML file path does not exist")
        continue

print("RF100 Benchmarking completed!")

Welche Bereiche deckt der Datensatz Roboflow 100 ab?

Der Datensatz Roboflow 100 umfasst sieben Bereiche, die jeweils einzigartige Herausforderungen und Anwendungen für Modelle zur Objekterkennung bieten:

1. Luftbild: 7 Datensätze, 9.683 Bilder, 24 Klassen
2. Videospiele: 7 Datensätze, 11.579 Bilder, 88 Klassen
3. Mikroskopisch: 11 Datensätze, 13.378 Bilder, 28 Klassen
4. Unterwasser: 5 Datensätze, 18.003 Bilder, 39 Klassen
5. Dokumente: 8 Datensätze, 24.813 Bilder, 90 Klassen
6. Elektromagnetisch: 12 Datensätze, 36.381 Bilder, 41 Klassen
7. Reale Welt: 50 Datensätze, 110.615 Bilder, 495 Klassen

Auf diese Weise lassen sich die Modelle in verschiedenen realen Anwendungen ausgiebig und vielfältig testen.

Wie kann ich auf den Datensatz Roboflow 100 zugreifen und ihn herunterladen?

Der Roboflow 100-Datensatz ist auf GitHub und Roboflow Universe zugänglich. Du kannst den gesamten Datensatz von GitHub herunterladen oder einzelne Datensätze auf Roboflow Universe über den Export-Button auswählen.

Was sollte ich angeben, wenn ich den Roboflow 100-Datensatz in meiner Forschung zitiere?

Wenn du den Roboflow 100-Datensatz in deiner Forschung verwendest, musst du darauf achten, dass du ihn richtig zitierst. Hier ist die empfohlene Zitierweise:

@misc{2211.13523,
    Author = {Floriana Ciaglia and Francesco Saverio Zuppichini and Paul Guerrie and Mark McQuade and Jacob Solawetz},
    Title = {Roboflow 100: A Rich, Multi-Domain Object Detection Benchmark},
    Eprint = {arXiv:2211.13523},
}

Weitere Details findest du in unserer umfassenden Datensammlung.

📅 Erstellt vor 7 Monaten ✏️ Aktualisiert vor 11 Tagen

Kommentare