Referencia para ultralytics/data/dataset.py
Nota
Este archivo está disponible en https://github.com/ultralytics/ ultralytics/blob/main/ ultralytics/data/dataset .py. Si detectas algún problema, por favor, ayuda a solucionarlo contribuyendo con una Pull Request 🛠️. ¡Gracias 🙏!
ultralytics.data.dataset.YOLODataset
Bases: BaseDataset
Clase de conjunto de datos para cargar etiquetas de detección y/o segmentación de objetos en formato YOLO .
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
data |
dict
|
Un diccionario YAML del conjunto de datos. Por defecto es Ninguno. |
None
|
task |
str
|
Un arg explícito para señalar la tarea actual, Por defecto es 'detectar'. |
'detect'
|
Devuelve:
Tipo | Descripción |
---|---|
Dataset
|
Un objeto del conjunto de datos PyTorch que puede utilizarse para entrenar un modelo de detección de objetos. |
Código fuente en 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)
Inicializa el conjunto de datos YOLOD con configuraciones opcionales para segmentos y puntos clave.
Código fuente en ultralytics/data/dataset.py
build_transforms(hyp=None)
Construye y añade transformaciones a la lista.
Código fuente en ultralytics/data/dataset.py
cache_labels(path=Path('./labels.cache'))
Almacena en caché las etiquetas de los conjuntos de datos, comprueba las imágenes y lee las formas.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
path |
Path
|
Ruta donde guardar el archivo de caché. Por defecto es Path('./etiquetas.cache'). |
Path('./labels.cache')
|
Devuelve:
Tipo | Descripción |
---|---|
dict
|
etiquetas. |
Código fuente en ultralytics/data/dataset.py
close_mosaic(hyp)
Establece las opciones mosaico, copiar_pegar y mezcla a 0,0 y construye las transformaciones.
Código fuente en ultralytics/data/dataset.py
collate_fn(batch)
staticmethod
Coteja las muestras de datos en lotes.
Código fuente en ultralytics/data/dataset.py
get_labels()
Devuelve el diccionario de etiquetas para el entrenamiento YOLO .
Código fuente en ultralytics/data/dataset.py
update_labels_info(label)
Personaliza aquí el formato de tus etiquetas.
Nota
cls no está con bboxes ahora, la clasificación y la segmentación semántica necesitan una etiqueta cls independiente También puede soportar la clasificación y la segmentación semántica añadiendo o eliminando claves dict allí.
Código fuente en ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOMultiModalDataset
Bases: YOLODataset
Clase de conjunto de datos para cargar etiquetas de detección y/o segmentación de objetos en formato YOLO .
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
data |
dict
|
Un diccionario YAML del conjunto de datos. Por defecto es Ninguno. |
None
|
task |
str
|
Un arg explícito para señalar la tarea actual, Por defecto es 'detectar'. |
'detect'
|
Devuelve:
Tipo | Descripción |
---|---|
Dataset
|
Un objeto del conjunto de datos PyTorch que puede utilizarse para entrenar un modelo de detección de objetos. |
Código fuente en ultralytics/data/dataset.py
__init__(*args, data=None, task='detect', **kwargs)
Inicializa un objeto de conjunto de datos para tareas de detección de objetos con especificaciones opcionales.
build_transforms(hyp=None)
Mejora las transformaciones de datos con el aumento opcional de texto para la formación multimodal.
Código fuente en ultralytics/data/dataset.py
update_labels_info(label)
Añade información de textos para el entrenamiento de modelos multimodales.
Código fuente en ultralytics/data/dataset.py
ultralytics.data.dataset.GroundingDataset
Bases: YOLODataset
Código fuente en ultralytics/data/dataset.py
__init__(*args, task='detect', json_file, **kwargs)
Inicializa un GroundingDataset para la detección de objetos, cargando anotaciones de un archivo JSON especificado.
Código fuente en ultralytics/data/dataset.py
build_transforms(hyp=None)
Configura los aumentos para el entrenamiento con carga de texto opcional; hyp
ajusta la intensidad del aumento.
Código fuente en ultralytics/data/dataset.py
get_img_files(img_path)
get_labels()
Carga las anotaciones desde un archivo JSON, las filtra y normaliza los cuadros delimitadores de cada imagen.
Código fuente en ultralytics/data/dataset.py
ultralytics.data.dataset.YOLOConcatDataset
Bases: ConcatDataset
Conjunto de datos como concatenación de varios conjuntos de datos.
Esta clase es útil para reunir diferentes conjuntos de datos existentes.
Código fuente en ultralytics/data/dataset.py
ultralytics.data.dataset.SemanticDataset
Bases: BaseDataset
Conjunto de datos de segmentación semántica.
Esta clase se encarga de manejar los conjuntos de datos utilizados en las tareas de segmentación semántica. Hereda funcionalidades de la clase BaseDataset.
Nota
Esta clase es actualmente un marcador de posición y necesita ser rellenada con métodos y atributos para apoyar tareas de segmentación semántica.
Código fuente en ultralytics/data/dataset.py
ultralytics.data.dataset.ClassificationDataset
Amplía ImageFolder de torchvision para que admita las tareas de clasificación de YOLO , ofreciendo funcionalidades como imagen, almacenamiento en caché y verificación. Está diseñado para manejar eficientemente grandes conjuntos de datos para el entrenamiento de modelos de aprendizaje profundo, con transformaciones de imagen opcionales y mecanismos de almacenamiento en caché para acelerar el entrenamiento. con transformaciones de imagen opcionales y mecanismos de almacenamiento en caché para acelerar el entrenamiento.
Esta clase permite aumentos utilizando las bibliotecas torchvision y Albumentations, y admite el almacenamiento en caché de imágenes en RAM o en disco para reducir la sobrecarga de E/S durante el entrenamiento. Además, implementa un sólido proceso de verificación para garantizar la integridad y coherencia de los datos.
Atributos:
Nombre | Tipo | Descripción |
---|---|---|
cache_ram |
bool
|
Indica si está activada la caché en RAM. |
cache_disk |
bool
|
Indica si está activada la caché en disco. |
samples |
list
|
Una lista de tuplas, cada una de las cuales contiene la ruta a una imagen, su índice de clase, la ruta a su archivo de caché .npy (si se almacena en disco) y, opcionalmente, la matriz de imágenes cargada (si se almacena en RAM). |
torch_transforms |
callable
|
PyTorch transformaciones que se aplicarán a las imágenes. |
Código fuente en 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)
Devuelve el subconjunto de datos y objetivos correspondientes a los índices dados.
Código fuente en ultralytics/data/dataset.py
__init__(root, args, augment=False, prefix='')
Inicializa el objeto YOLO con los ajustes de raíz, tamaño de imagen, aumentos y caché.
Parámetros:
Nombre | Tipo | Descripción | Por defecto |
---|---|---|---|
root |
str
|
Ruta al directorio del conjunto de datos donde se almacenan las imágenes en una estructura de carpetas específica de la clase. |
necesario |
args |
Namespace
|
Configuración que contiene ajustes relacionados con el conjunto de datos, como el tamaño de la imagen, el aumento
y la configuración de la caché. Incluye atributos como |
necesario |
augment |
bool
|
Si se aplican aumentos al conjunto de datos. Por defecto es Falso. |
False
|
prefix |
str
|
Prefijo para los nombres de archivos de registro y caché, que ayuda a identificar y depurar los conjuntos de datos. depuración. Por defecto es una cadena vacía. |
''
|
Código fuente en ultralytics/data/dataset.py
__len__()
verify_images()
Verifica todas las imágenes del conjunto de datos.