Aperçu des ensembles de données

Ultralytics fournit un support pour divers ensembles de données afin de faciliter les tâches de vision par ordinateur telles que la détection, la segmentation d'instances, l'estimation de la pose, la classification et le suivi de plusieurs objets. Tu trouveras ci-dessous une liste des principaux ensembles de données Ultralytics , suivie d'un résumé de chaque tâche de vision par ordinateur et des ensembles de données correspondants.

Regarde : Ultralytics Aperçu des ensembles de données

NOUVEAU 🚀 Ultralytics Explorer

Crée des embeddings pour ton jeu de données, recherche des images similaires, exécute des requêtes SQL, effectue des recherches sémantiques et même des recherches en langage naturel ! Tu peux commencer avec notre application GUI ou créer ta propre application à l'aide de l'API. Pour en savoir plus, clique ici.

• Essaie la démo de l'interface graphique
• En savoir plus sur l'API Explorer

Ensembles de données de détection

La détection d'objets par boîte englobante est une technique de vision par ordinateur qui consiste à détecter et à localiser des objets dans une image en dessinant une boîte englobante autour de chaque objet.

• Argoverse: Un ensemble de données contenant des données de suivi 3D et de prévision de mouvement provenant d'environnements urbains avec de riches annotations.
• COCO: un ensemble de données à grande échelle conçu pour la détection, la segmentation et le sous-titrage d'objets, avec plus de 200 000 images étiquetées.
• LVIS: un ensemble de données à grande échelle pour la détection, la segmentation et le sous-titrage d'objets, comprenant 1203 catégories d'objets.
• COCO8: Contient les 4 premières images de COCO train et COCO val, adaptées aux tests rapides.
• Global Wheat 2020: Un ensemble de données d'images d'épis de blé recueillies dans le monde entier pour des tâches de détection et de localisation d'objets.
• Objets365: Un ensemble de données à grande échelle de haute qualité pour la détection d'objets avec 365 catégories d'objets et plus de 600K images annotées.
• OpenImagesV7: Un ensemble de données complet de Google avec 1,7 million d'images de formation et 42 000 images de validation.
• SKU-110K: Un ensemble de données comprenant la détection d'objets denses dans des environnements de vente au détail avec plus de 11 000 images et 1,7 million de boîtes de délimitation.
• VisDrone: Un ensemble de données contenant des données de détection d'objets et de suivi d'objets multiples à partir d'images capturées par des drones, avec plus de 10 000 images et séquences vidéo.
• VOC: L'ensemble de données Pascal Visual Object Classes (VOC) pour la détection et la segmentation d'objets avec 20 classes d'objets et plus de 11 000 images.
• xView: Un ensemble de données pour la détection d'objets dans les images aériennes avec 60 catégories d'objets et plus d'un million d'objets annotés.
• Roboflow 100: Un benchmark de détection d'objets divers avec 100 ensembles de données couvrant sept domaines d'imagerie pour une évaluation complète des modèles.
• Tumeur cérébrale: Un ensemble de données pour la détection des tumeurs cérébrales comprend des images d'IRM ou de tomodensitométrie avec des détails sur la présence, l'emplacement et les caractéristiques de la tumeur. Ces données sont essentielles pour former des modèles de vision par ordinateur afin d'automatiser l'identification des tumeurs et de faciliter le diagnostic précoce et la planification du traitement.
• Faune africaine: Un ensemble de données comprenant des images de la faune africaine, notamment de buffles, d'éléphants, de rhinocéros et de zèbres, aide à la formation de modèles de vision par ordinateur. Essentiel pour identifier les animaux dans divers habitats, il soutient la recherche sur la faune.

Jeux de données sur la segmentation des instances

La segmentation des instances est une technique de vision par ordinateur qui consiste à identifier et à localiser des objets dans une image au niveau des pixels.

• COCO: un ensemble de données à grande échelle conçu pour la détection d'objets, la segmentation et les tâches de sous-titrage avec plus de 200 000 images étiquetées.
• COCO8-seg: un ensemble de données plus petit pour les tâches de segmentation des instances, contenant un sous-ensemble de 8 images COCO avec des annotations de segmentation.
• Crack-seg: ensemble de données spécialement conçu pour détecter les fissures sur les routes et les murs, applicable à la fois aux tâches de détection et de segmentation des objets.
• Package-seg: ensemble de données sur mesure pour identifier les paquets dans les entrepôts ou les environnements industriels, convenant à la fois à la détection d'objets et aux applications de segmentation.
• Carparts-seg: Ensemble de données conçu pour identifier les pièces de véhicules, répondant aux besoins de la conception, de la fabrication et de la recherche. Il sert à la fois à la détection d'objets et aux tâches de segmentation.

Estimation de la pose

L'estimation de la pose est une technique utilisée pour déterminer la pose de l'objet par rapport à la caméra ou au système de coordonnées du monde.

• COCO: un ensemble de données à grande échelle avec des annotations de pose humaine conçues pour les tâches d'estimation de la pose.
• COCO8-pose: un ensemble de données plus petit pour les tâches d'estimation de la pose, contenant un sous-ensemble de 8 images COCO avec des annotations de pose humaine.
• Tiger-pose: un ensemble de données compact composé de 263 images axées sur les tigres, annotées avec 12 points clés par tigre pour les tâches d'estimation de la pose.

Classification

La classification des images est une tâche de vision par ordinateur qui consiste à classer une image dans une ou plusieurs classes ou catégories prédéfinies en fonction de son contenu visuel.

• Caltech 101: un ensemble de données contenant des images de 101 catégories d'objets pour les tâches de classification d'images.
• Caltech 256: Une version étendue de Caltech 101 avec 256 catégories d'objets et des images plus difficiles.
• CIFAR-10: un ensemble de données de 60 000 images couleur 32x32 réparties en 10 classes, avec 6 000 images par classe.
• CIFAR-100: Une version étendue de CIFAR-10 avec 100 catégories d'objets et 600 images par classe.
• Fashion-MNIST: Un ensemble de données composé de 70 000 images en niveaux de gris de 10 catégories de mode pour les tâches de classification d'images.
• ImageNet: Un ensemble de données à grande échelle pour la détection d'objets et la classification d'images avec plus de 14 millions d'images et 20 000 catégories.
• ImageNet-10: un sous-ensemble plus petit d'ImageNet avec 10 catégories pour une expérimentation et des tests plus rapides.
• Imagenette: Un sous-ensemble plus petit d'ImageNet qui contient 10 classes faciles à distinguer pour une formation et des tests plus rapides.
• Imagewoof: Un sous-ensemble plus difficile d'ImageNet contenant 10 catégories de races de chiens pour les tâches de classification d'images.
• MNIST: Un ensemble de données de 70 000 images en niveaux de gris de chiffres manuscrits pour les tâches de classification d'images.

Boîtes de délimitation orientées (OBB)

Les boîtes de délimitation orientées (OBB) sont une méthode de vision par ordinateur permettant de détecter les objets angulaires dans les images à l'aide de boîtes de délimitation tournées, souvent appliquées aux images aériennes et satellites.

• DOTAv2: Un ensemble de données d'imagerie aérienne OBB populaire avec 1,7 million d'instances et 11 268 images.

Suivi de plusieurs objets

Le suivi d'objets multiples est une technique de vision par ordinateur qui consiste à détecter et à suivre plusieurs objets au fil du temps dans une séquence vidéo.

• Argoverse: Un ensemble de données contenant des données de suivi 3D et de prévision de mouvement provenant d'environnements urbains avec de riches annotations pour les tâches de suivi d'objets multiples.
• VisDrone: Un ensemble de données contenant des données de détection d'objets et de suivi d'objets multiples à partir d'images capturées par des drones, avec plus de 10 000 images et séquences vidéo.

Contribuer à de nouveaux ensembles de données

Contribuer à un nouveau jeu de données implique plusieurs étapes pour s'assurer qu'il s'aligne bien sur l'infrastructure existante. Tu trouveras ci-dessous les étapes nécessaires :

Étapes pour contribuer à un nouveau jeu de données

1. Collecter les images: Rassemble les images qui appartiennent à l'ensemble de données. Celles-ci peuvent être collectées à partir de différentes sources, telles que des bases de données publiques ou ta propre collection.

2. Annote les images: Annote ces images avec des boîtes de délimitation, des segments ou des points clés, en fonction de la tâche.

3. Exporter les annotations: Convertir ces annotations dans le YOLO *.txt que Ultralytics prend en charge.

4. Organiser l'ensemble des données: Range ton jeu de données dans la structure de dossier correcte. Tu dois avoir train/ et val/ des répertoires de premier niveau, et dans chacun d'eux, un images/ et labels/ sous-répertoire.

   dataset/
   ├── train/
   │   ├── images/
   │   └── labels/
   └── val/
       ├── images/
       └── labels/
   

5. Crée un data.yaml Fichier: Dans le répertoire racine de ton jeu de données, crée un fichier data.yaml qui décrit le jeu de données, les classes et les autres informations nécessaires.

6. Optimiser les images (facultatif): Si tu veux réduire la taille de l'ensemble de données pour un traitement plus efficace, tu peux optimiser les images à l'aide du code ci-dessous. Cette opération n'est pas obligatoire, mais elle est recommandée pour réduire la taille des ensembles de données et accélérer les vitesses de téléchargement.

7. Zip Dataset: Compresse tout le dossier de l'ensemble des données dans un fichier zip.

8. Documentation et relations publiques: Crée une page de documentation décrivant ton jeu de données et la façon dont il s'intègre dans le cadre existant. Ensuite, soumets une Pull Request (PR). Reporte-toi à Ultralytics Contribution Guidelines pour plus de détails sur la façon de soumettre une PR.

Exemple de code pour optimiser et zipper un ensemble de données

from pathlib import Path
from ultralytics.data.utils import compress_one_image
from ultralytics.utils.downloads import zip_directory

# Define dataset directory
path = Path('path/to/dataset')

# Optimize images in dataset (optional)
for f in path.rglob('*.jpg'):
    compress_one_image(f)

# Zip dataset into 'path/to/dataset.zip'
zip_directory(path)

En suivant ces étapes, tu peux contribuer à un nouveau jeu de données qui s'intègre bien à la structure existante de Ultralytics.

Commentaires