Referenz für ultralytics/data/dataset.py
Hinweis
Diese Datei ist verfügbar unter https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/data/dataset .py. Wenn du ein Problem entdeckst, hilf bitte mit, es zu beheben, indem du einen Pull Request 🛠️ einreichst. Vielen Dank 🙏!
ultralytics.data.dataset.YOLODataset
Basen: BaseDataset
Datensatzklasse zum Laden von Objekterkennungs- und/oder Segmentierungskennzeichnungen im Format YOLO .
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
data |
dict
|
Ein YAML-Wörterbuch für den Datensatz. Der Standardwert ist None. |
None
|
task |
str
|
Ein explizites Argument, das auf die aktuelle Aufgabe verweist, Standardwert ist "detect". |
'detect'
|
Retouren:
Typ | Beschreibung |
---|---|
Dataset
|
Ein PyTorch Datensatz-Objekt, das für das Training eines Objekterkennungsmodells verwendet werden kann. |
Quellcode in ultralytics/data/dataset.py
45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 |
|
__init__(*args, data=None, task='detect', **kwargs)
Initialisiert das YOLODataset mit optionalen Konfigurationen für Segmente und Keypoints.
Quellcode in ultralytics/data/dataset.py
build_transforms(hyp=None)
Erstellt und fügt Transformationen an die Liste an.
Quellcode in ultralytics/data/dataset.py
cache_labels(path=Path('./labels.cache'))
Datensatzbeschriftungen zwischenspeichern, Bilder prüfen und Formen lesen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
path |
Path
|
Pfad, in dem die Cache-Datei gespeichert werden soll. Standard ist Path('./labels.cache'). |
Path('./labels.cache')
|
Retouren:
Typ | Beschreibung |
---|---|
dict
|
Etiketten. |
Quellcode in ultralytics/data/dataset.py
close_mosaic(hyp)
Setzt die Optionen mosaic, copy_paste und mixup auf 0.0 und erstellt die Transformationen.
Quellcode in ultralytics/data/dataset.py
collate_fn(batch)
staticmethod
Sammelt Datenproben in Stapeln.
Quellcode in ultralytics/data/dataset.py
get_labels()
Gibt ein Wörterbuch mit Bezeichnungen für das YOLO Training zurück.
Quellcode in ultralytics/data/dataset.py
update_labels_info(label)
Hier kannst du dein Etikettenformat anpassen.
Hinweis
cls ist jetzt nicht mit bboxes, Klassifizierung und semantische Segmentierung brauchen ein unabhängiges cls-Label Kann auch die Klassifizierung und semantische Segmentierung unterstützen, indem du dort Diktatschlüssel hinzufügst oder entfernst.
Quellcode in ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOMultiModalDataset
Basen: YOLODataset
Datensatzklasse zum Laden von Objekterkennungs- und/oder Segmentierungskennzeichnungen im Format YOLO .
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
data |
dict
|
Ein YAML-Wörterbuch für den Datensatz. Der Standardwert ist None. |
None
|
task |
str
|
Ein explizites Argument, das auf die aktuelle Aufgabe verweist, Standardwert ist "detect". |
'detect'
|
Retouren:
Typ | Beschreibung |
---|---|
Dataset
|
Ein PyTorch Datensatz-Objekt, das für das Training eines Objekterkennungsmodells verwendet werden kann. |
Quellcode in ultralytics/data/dataset.py
__init__(*args, data=None, task='detect', **kwargs)
Initialisiert ein Datensatzobjekt für Objekterkennungsaufgaben mit optionalen Angaben.
build_transforms(hyp=None)
Erweitert die Datenumwandlung mit optionaler Textergänzung für multimodales Training.
Quellcode in ultralytics/data/dataset.py
update_labels_info(label)
Füge Textinformationen für das multimodale Modelltraining hinzu.
Quellcode in ultralytics/data/dataset.py
ultralytics.data.dataset.GroundingDataset
Basen: YOLODataset
Quellcode in ultralytics/data/dataset.py
__init__(*args, task='detect', json_file, **kwargs)
Initialisiert ein GroundingDataset für die Objekterkennung und lädt Anmerkungen aus einer angegebenen JSON-Datei.
Quellcode in ultralytics/data/dataset.py
build_transforms(hyp=None)
Konfiguriert Erweiterungen für das Training mit optionaler Textladung; hyp
passt die Intensität der Augmentation an.
Quellcode in ultralytics/data/dataset.py
get_img_files(img_path)
get_labels()
Lädt Anmerkungen aus einer JSON-Datei, filtert und normalisiert Bounding Boxes für jedes Bild.
Quellcode in ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOConcatDataset
Basen: ConcatDataset
Datensatz als Verkettung von mehreren Datensätzen.
Diese Klasse ist nützlich, um verschiedene bestehende Datensätze zusammenzustellen.
Quellcode in ultralytics/data/dataset.py
ultralytics.data.dataset.SemanticDataset
Basen: BaseDataset
Semantischer Segmentierungsdatensatz.
Diese Klasse ist für den Umgang mit Datensätzen zuständig, die für semantische Segmentierungsaufgaben verwendet werden. Sie erbt die Funktionalitäten von der Klasse BaseDataset.
Hinweis
Diese Klasse ist derzeit ein Platzhalter und muss noch mit Methoden und Attributen zur Unterstützung semantischen Segmentierungsaufgaben.
Quellcode in ultralytics/data/dataset.py
ultralytics.data.dataset.ClassificationDataset
Erweitert torchvision ImageFolder zur Unterstützung von YOLO Klassifizierungsaufgaben und bietet Funktionalitäten wie Bild Bildvergrößerung, Zwischenspeicherung und Überprüfung. Es wurde entwickelt, um große Datensätze für das Training von Deep Learning-Modellen effizient zu verarbeiten. mit optionalen Bildtransformationen und Caching-Mechanismen, um das Training zu beschleunigen.
Diese Klasse ermöglicht Augmentierungen mit den Bibliotheken torchvision und Albumentations und unterstützt das Zwischenspeichern von Bildern im RAM oder auf der Festplatte, um den IO-Overhead beim Training zu reduzieren. Außerdem implementiert sie ein robustes Prüfverfahren um die Integrität und Konsistenz der Daten zu gewährleisten.
Attribute:
Name | Typ | Beschreibung |
---|---|---|
cache_ram |
bool
|
Zeigt an, ob die Zwischenspeicherung im RAM aktiviert ist. |
cache_disk |
bool
|
Zeigt an, ob die Zwischenspeicherung auf der Festplatte aktiviert ist. |
samples |
list
|
Eine Liste von Tupeln, die jeweils den Pfad zu einem Bild, seinen Klassenindex, den Pfad zu seiner .npy-Cache Datei (bei Zwischenspeicherung auf der Festplatte) und optional das geladene Bildarray (bei Zwischenspeicherung im RAM). |
torch_transforms |
callable
|
PyTorch Transformationen, die auf die Bilder angewendet werden sollen. |
Quellcode in ultralytics/data/dataset.py
384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 |
|
__getitem__(i)
Gibt eine Teilmenge der Daten und Ziele zurück, die den angegebenen Indizes entsprechen.
Quellcode in ultralytics/data/dataset.py
__init__(root, args, augment=False, prefix='')
Initialisiere das YOLO Objekt mit Root, Bildgröße, Augmentierungen und Cache-Einstellungen.
Parameter:
Name | Typ | Beschreibung | Standard |
---|---|---|---|
root |
str
|
Pfad zum Verzeichnis des Datensatzes, in dem die Bilder in einer klassenspezifischen Ordnerstruktur gespeichert werden. |
erforderlich |
args |
Namespace
|
Konfiguration mit datensatzbezogenen Einstellungen wie Bildgröße, Erweiterungsparameter
Parameter und Cache-Einstellungen. Sie enthält Attribute wie |
erforderlich |
augment |
bool
|
Ob Erweiterungen auf den Datensatz angewendet werden sollen. Standard ist False. |
False
|
prefix |
str
|
Präfix für Logging- und Cache-Dateinamen, das bei der Identifizierung von Datensätzen und Fehlersuche. Standard ist eine leere Zeichenkette. |
''
|
Quellcode in ultralytics/data/dataset.py
__len__()
verify_images()
Überprüfe alle Bilder im Datensatz.
Quellcode in ultralytics/data/dataset.py
Erstellt am 2023-11-12, Aktualisiert am 2024-05-08
Autoren: Burhan-Q (1), glenn-jocher (4), Laughing-q (1)