Visión general de los conjuntos de datos de segmentación de instancias

Formatos de conjuntos de datos admitidos

Ultralytics YOLO formato

El formato de etiqueta del conjunto de datos utilizado para entrenar los modelos de segmentación de YOLO es el siguiente:

1. Un archivo de texto por imagen: Cada imagen del conjunto de datos tiene su correspondiente archivo de texto con el mismo nombre que el archivo de imagen y la extensión ".txt".
2. Una fila por objeto: Cada fila del archivo de texto corresponde a una instancia de objeto en la imagen.
3. Información del objeto por fila: Cada fila contiene la siguiente información sobre la instancia del objeto:
   • Índice de clase del objeto: Un número entero que representa la clase del objeto (por ejemplo, 0 para persona, 1 para coche, etc.).
   • Coordenadas de delimitación del objeto: Las coordenadas de delimitación alrededor del área de la máscara, normalizadas para que estén entre 0 y 1.

El formato de una fila del archivo del conjunto de datos de segmentación es el siguiente:

<class-index> <x1> <y1> <x2> <y2> ... <xn> <yn>

En este formato, <class-index> es el índice de la clase del objeto, y <x1> <y1> <x2> <y2> ... <xn> <yn> son las coordenadas de delimitación de la máscara de segmentación del objeto. Las coordenadas están separadas por espacios.

Aquí tienes un ejemplo del formato del conjunto de datos YOLO para una sola imagen con dos objetos formados por un segmento de 3 puntos y otro de 5 puntos.

0 0.681 0.485 0.670 0.487 0.676 0.487
1 0.504 0.000 0.501 0.004 0.498 0.004 0.493 0.010 0.492 0.0104

Conjunto de datos en formato YAML

El marco Ultralytics utiliza un formato de archivo YAML para definir el conjunto de datos y la configuración del modelo para entrenar Modelos de detección. He aquí un ejemplo del formato YAML utilizado para definir un conjunto de datos de detección:

# 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-seg  # 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

En train y val especifican las rutas a los directorios que contienen las imágenes de entrenamiento y validación, respectivamente.

names es un diccionario de nombres de clases. El orden de los nombres debe coincidir con el orden de los índices de las clases objeto en los archivos del conjunto de datos YOLO .

Utilización

from ultralytics import YOLO

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

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

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

Conjuntos de datos compatibles

Conjuntos de datos compatibles

• COCO: Un completo conjunto de datos para la detección, segmentación y subtitulación de objetos, con más de 200.000 imágenes etiquetadas de una amplia gama de categorías.

• COCO8-seg: Un subconjunto compacto de 8 imágenes de COCO diseñado para probar rápidamente el entrenamiento del modelo de segmentación, ideal para las comprobaciones de CI y la validación del flujo de trabajo en la ultralytics repositorio.

• Carparts-seg: Un conjunto de datos especializado centrado en la segmentación de piezas de automóviles, ideal para aplicaciones de automoción. Incluye una variedad de vehículos con anotaciones detalladas de componentes individuales del coche.

• Crack-seg: Un conjunto de datos adaptado para la segmentación de grietas en diversas superficies. Esencial para el mantenimiento de infraestructuras y el control de calidad, proporciona imágenes detalladas para entrenar modelos que identifiquen debilidades estructurales.

• Paquete-seg: Conjunto de datos dedicado a la segmentación de distintos tipos de materiales y formas de envases. Es especialmente útil para la logística y la automatización de almacenes, ya que ayuda a desarrollar sistemas de manipulación y clasificación de paquetes.

Añadir tu propio conjunto de datos

Si tienes tu propio conjunto de datos y quieres utilizarlo para entrenar modelos de segmentación 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/', use_segments=True)

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.

Anotación automática

La anotación automática es una función esencial que te permite generar un conjunto de datos de segmentación utilizando un modelo de detección preentrenado. Te permite anotar con rapidez y precisión un gran número de imágenes sin necesidad de etiquetado manual, ahorrando tiempo y esfuerzo.

Generar un conjunto de datos de segmentación utilizando un modelo de detección

Para auto-anotar tu conjunto de datos utilizando el marco Ultralytics , puedes utilizar la función auto_annotate como se muestra a continuación:

from ultralytics.data.annotator import auto_annotate

auto_annotate(data="path/to/images", det_model="yolov8x.pt", sam_model='sam_b.pt')

Por supuesto, aquí tienes la tabla actualizada con fragmentos de código:

En auto_annotate toma la ruta a tus imágenes, junto con argumentos opcionales para especificar la detección preentrenada y SAM modelos de segmentaciónel dispositivo en el que ejecutar los modelos, y el directorio de salida para guardar los resultados anotados.

Al aprovechar la potencia de los modelos preentrenados, la anotación automática puede reducir significativamente el tiempo y el esfuerzo necesarios para crear conjuntos de datos de segmentación de alta calidad. Esta función es especialmente útil para los investigadores y desarrolladores que trabajan con grandes colecciones de imágenes, ya que les permite centrarse en el desarrollo y la evaluación de modelos en lugar de en la anotación manual.

Comentarios