Visión general de los conjuntos de datos de detección de objetos

Entrenar un modelo de detección de objetos robusto y preciso requiere un conjunto de datos completo. Esta guía presenta varios formatos de conjuntos de datos compatibles con el modelo Ultralytics YOLO y proporciona información sobre su estructura, uso y cómo convertir entre distintos formatos.

Formatos de conjuntos de datos admitidos

Ultralytics YOLO formato

El formato Ultralytics YOLO es un formato de configuración del conjunto de datos que te permite definir el directorio raíz del conjunto de datos, las rutas relativas a los directorios de imágenes de entrenamiento/validación/prueba o *.txt que contienen las rutas de las imágenes, y un diccionario de nombres de clases. Aquí tienes un ejemplo:

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: ../datasets/coco8  # dataset root dir
train: images/train  # train images (relative to 'path') 4 images
val: images/val  # val images (relative to 'path') 4 images
test:  # test images (optional)

# Classes (80 COCO classes)
names:
  0: person
  1: bicycle
  2: car
  # ...
  77: teddy bear
  78: hair drier
  79: toothbrush

Las etiquetas de este formato deben exportarse al formato YOLO con una *.txt por imagen. Si no hay objetos en una imagen, no hay *.txt es necesario. La dirección *.txt debe formatearse con una fila por objeto en class x_center y_center width height formato. Las coordenadas de la casilla deben estar en xywh normalizado (de 0 a 1). Si tus casillas están en píxeles, debes dividir x_center y width por ancho de imagen, y y_center y height por la altura de la imagen. Los números de clase deben tener índice cero (empezar por 0).

El archivo de etiquetas correspondiente a la imagen anterior contiene 2 personas (clase 0) y un empate (clase 27):

Cuando utilices el formato Ultralytics YOLO , organiza tus imágenes y etiquetas de entrenamiento y validación como se muestra en el ejemplo del conjunto de datos COCO8 que aparece a continuación.

Utilización

A continuación te explicamos cómo puedes utilizar estos formatos para entrenar tu modelo:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")  # load a pretrained model (recommended for training)

# Train the model
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Start training from a pretrained *.pt model
yolo detect train data=coco8.yaml model=yolov8n.pt epochs=100 imgsz=640

Conjuntos de datos compatibles

Aquí tienes una lista de los conjuntos de datos admitidos y una breve descripción de cada uno:

• Argoverse: Un conjunto de datos que contiene datos de seguimiento 3D y previsión de movimiento de entornos urbanos con ricas anotaciones.
• COCO: Objetos Comunes en Contexto (COCO) es un conjunto de datos a gran escala de detección, segmentación y subtitulación de objetos con 80 categorías de objetos.
• LVIS: Un conjunto de datos a gran escala de detección, segmentación y subtitulación de objetos con 1203 categorías de objetos.
• COCO8: Un subconjunto más pequeño de las 4 primeras imágenes de COCO train y COCO val, adecuado para pruebas rápidas.
• Trigo Global 2020: Un conjunto de datos que contiene imágenes de cabezas de trigo para el Desafío Mundial del Trigo 2020.
• Objetos365: Un conjunto de datos a gran escala y de alta calidad para la detección de objetos, con 365 categorías de objetos y más de 600.000 imágenes anotadas.
• OpenImagesV7: Un amplio conjunto de datos de Google con 1,7 millones de imágenes de entrenamiento y 42.000 imágenes de validación.
• SKU-110K: Un conjunto de datos de detección de objetos densos en entornos comerciales con más de 11.000 imágenes y 1,7 millones de cuadros delimitadores.
• VisDrone: Un conjunto de datos que contiene datos de detección de objetos y seguimiento multiobjeto a partir de imágenes capturadas por drones, con más de 10.000 imágenes y secuencias de vídeo.
• VOC: El conjunto de datos Pascal Visual Object Classes (VOC) para la detección y segmentación de objetos, con 20 clases de objetos y más de 11.000 imágenes.
• xVer: Un conjunto de datos para la detección de objetos en imágenes aéreas con 60 categorías de objetos y más de 1 millón de objetos anotados.
• Roboflow 100: Una prueba comparativa de detección de objetos diversos con 100 conjuntos de datos que abarcan siete dominios de imágenes para la evaluación exhaustiva de modelos.
• Tumor cerebral: Un conjunto de datos para detectar tumores cerebrales incluye imágenes de resonancia magnética o tomografía computarizada con detalles sobre la presencia, localización y características del tumor.
• Vida salvaje africana: Un conjunto de datos con imágenes de la fauna africana, incluidos búfalos, elefantes, rinocerontes y cebras.
• Firma: Un conjunto de datos con imágenes de varios documentos con firmas anotadas, que sirve de apoyo a la investigación sobre verificación de documentos y detección de fraudes.

Añadir tu propio conjunto de datos

Si tienes tu propio conjunto de datos y quieres utilizarlo para entrenar modelos de detección con el formato Ultralytics YOLO , asegúrate de que sigue el formato especificado anteriormente en "Ultralytics YOLO formato". Convierte tus anotaciones al formato requerido y especifica las rutas, el número de clases y los nombres de las clases en el archivo de configuración YAML.

Portar o convertir formatos de etiquetas

Formato del conjunto de datos COCO a formato YOLO

Puedes convertir fácilmente etiquetas del popular formato de conjunto de datos COCO al formato YOLO utilizando el siguiente fragmento de código:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

Esta herramienta de conversión puede utilizarse para convertir el conjunto de datos COCO o cualquier conjunto de datos en formato COCO al formato Ultralytics YOLO .

Recuerda comprobar dos veces si el conjunto de datos que quieres utilizar es compatible con tu modelo y sigue las convenciones de formato necesarias. Los conjuntos de datos formateados correctamente son cruciales para entrenar con éxito modelos de detección de objetos.

PREGUNTAS FRECUENTES

¿Cuál es el formato del conjunto de datos Ultralytics YOLO y cómo estructurarlo?

El formato Ultralytics YOLO es una configuración estructurada para definir conjuntos de datos en tus proyectos de entrenamiento. Implica establecer rutas a tus imágenes de entrenamiento, validación y prueba y las etiquetas correspondientes. Por ejemplo

path: ../datasets/coco8  # dataset root directory
train: images/train  # training images (relative to 'path')
val: images/val  # validation images (relative to 'path')
test:  # optional test images
names:
  0: person
  1: bicycle
  2: car
  # ...

Las etiquetas se guardan en *.txt con un archivo por imagen, formateado como class x_center y_center width height con coordenadas normalizadas. Para una guía detallada, consulta Ejemplo de conjunto de datos COCO8.

¿Cómo convierto un conjunto de datos COCO al formato YOLO ?

Puedes convertir un conjunto de datos COCO al formato YOLO utilizando las herramientas de conversión de Ultralytics . Aquí tienes un método rápido:

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir="path/to/coco/annotations/")

Este código convertirá tus anotaciones COCO al formato YOLO , permitiendo una integración perfecta con los modelos Ultralytics YOLO . Para más detalles, visita la sección Portar o Convertir formatos de etiquetas.

¿Qué conjuntos de datos admite Ultralytics YOLO para la detección de objetos?

Ultralytics YOLO admite una amplia gama de conjuntos de datos, incluidos:

• Argoverse
• COCO
• LVIS
• COCO8
• Trigo mundial 2020
• Objetos365
• OpenImagesV7

La página de cada conjunto de datos proporciona información detallada sobre su estructura y uso, adaptada para un entrenamiento eficaz en YOLOv8 . Explora la lista completa en la sección Conjuntos de datos compatibles.

¿Cómo empiezo a entrenar un modelo YOLOv8 utilizando mi conjunto de datos?

Para empezar a entrenar un modelo YOLOv8 , asegúrate de que tu conjunto de datos tiene el formato correcto y las rutas están definidas en un archivo YAML. Utiliza el siguiente script para comenzar el entrenamiento:

from ultralytics import YOLO

model = YOLO("yolov8n.pt")  # Load a pretrained model
results = model.train(data="path/to/your_dataset.yaml", epochs=100, imgsz=640)

yolo detect train data=path/to/your_dataset.yaml model=yolov8n.pt epochs=100 imgsz=640

Consulta la sección Uso para obtener más detalles sobre la utilización de los distintos modos, incluidos los comandos CLI .

¿Dónde puedo encontrar ejemplos prácticos del uso de Ultralytics YOLO para la detección de objetos?

Ultralytics ofrece numerosos ejemplos y guías prácticas para utilizar YOLOv8 en diversas aplicaciones. Para obtener una visión general completa, visita el Blog deUltralytics , donde encontrarás casos prácticos, tutoriales detallados e historias de la comunidad que muestran la detección de objetos, la segmentación y mucho más con YOLOv8. Para ver ejemplos concretos, consulta la sección Uso de la documentación.

Comentarios