Aperçu des ensembles de données de segmentation des instances

Formats de données pris en charge

Ultralytics YOLO format

Le format de l'étiquette du jeu de données utilisé pour l'entraînement des modèles de segmentation de YOLO est le suivant :

1. Un fichier texte par image : À chaque image de l'ensemble de données correspond un fichier texte portant le même nom que le fichier image et l'extension ".txt".
2. Une ligne par objet : Chaque ligne du fichier texte correspond à une instance d'objet dans l'image.
3. Informations sur l'objet par ligne : Chaque ligne contient les informations suivantes sur l'instance d'objet :
   • Indice de classe de l'objet : Un nombre entier représentant la classe de l'objet (par exemple, 0 pour une personne, 1 pour une voiture, etc.)
   • Coordonnées de délimitation de l'objet : Les coordonnées de délimitation autour de la zone du masque, normalisées pour être comprises entre 0 et 1.

Le format d'une seule ligne dans le fichier de jeu de données de segmentation est le suivant :

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

Dans ce format, <class-index> est l'indice de la classe de l'objet, et <x1> <y1> <x2> <y2> ... <xn> <yn> sont les coordonnées du masque de segmentation de l'objet. Les coordonnées sont séparées par des espaces.

Voici un exemple du format du jeu de données YOLO pour une seule image avec deux objets composés d'un segment à 3 points et d'un segment à 5 points.

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

Format YAML du jeu de données

Le cadre Ultralytics utilise un format de fichier YAML pour définir l'ensemble de données et la configuration du modèle pour la formation des modèles de détection. Voici un exemple du format YAML utilisé pour définir un ensemble de données de détection :

# 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

Le train et val indiquent les chemins d'accès aux répertoires contenant respectivement les images d'entraînement et de validation.

names est un dictionnaire de noms de classes. L'ordre des noms doit correspondre à l'ordre des indices des classes d'objets dans les fichiers du jeu de données YOLO .

Utilisation

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

Ensembles de données pris en charge

Ensembles de données pris en charge

• COCO: un ensemble de données complet pour la détection, la segmentation et la légende des objets, comprenant plus de 200 000 images étiquetées dans un large éventail de catégories.

• COCO8-seg: Un sous-ensemble compact de 8 images de COCO conçu pour tester rapidement l'apprentissage du modèle de segmentation, idéal pour les vérifications CI et la validation du flux de travail dans le... ultralytics dépôt.

• Carparts-seg: Un ensemble de données spécialisé axé sur la segmentation des pièces de voiture, idéal pour les applications automobiles. Il comprend une variété de véhicules avec des annotations détaillées des composants individuels de la voiture.

• Crack-seg: un jeu de données adapté à la segmentation des fissures dans diverses surfaces. Essentiel pour l'entretien des infrastructures et le contrôle de la qualité, il fournit des images détaillées permettant d'entraîner des modèles pour identifier les faiblesses structurelles.

• Package-seg: Un jeu de données dédié à la segmentation des différents types de matériaux et de formes d'emballage. Il est particulièrement utile pour la logistique et l'automatisation des entrepôts, en aidant au développement de systèmes de manutention et de tri des colis.

Ajouter ton propre jeu de données

Si tu as ton propre jeu de données et que tu souhaites l'utiliser pour entraîner des modèles de segmentation avec le format Ultralytics YOLO , assure-toi qu'il respecte le format spécifié ci-dessus sous "Ultralytics YOLO format ". Convertis tes annotations au format requis et spécifie les chemins, le nombre de classes et les noms des classes dans le fichier de configuration YAML.

Porter ou convertir les formats d'étiquettes

Format des ensembles de données COCO au format YOLO

Tu peux facilement convertir les étiquettes du format de jeu de données populaire COCO au format YOLO à l'aide de l'extrait de code suivant :

from ultralytics.data.converter import convert_coco

convert_coco(labels_dir='path/to/coco/annotations/', use_segments=True)

Cet outil de conversion peut être utilisé pour convertir le jeu de données COCO ou tout autre jeu de données au format COCO au format Ultralytics YOLO .

N'oublie pas de vérifier que le jeu de données que tu veux utiliser est compatible avec ton modèle et qu'il respecte les conventions de format nécessaires. Des ensembles de données correctement formatés sont essentiels pour former des modèles de détection d'objets performants.

Auto-Annotation

L'auto-annotation est une fonctionnalité essentielle qui te permet de générer un ensemble de données de segmentation à l'aide d'un modèle de détection pré-entraîné. Elle te permet d'annoter rapidement et précisément un grand nombre d'images sans qu'il soit nécessaire de procéder à un étiquetage manuel, ce qui représente un gain de temps et d'efforts.

Générer un ensemble de données de segmentation à l'aide d'un modèle de détection

Pour auto-annoter ton jeu de données à l'aide du cadre Ultralytics , tu peux utiliser la fonction auto_annotate comme indiqué ci-dessous :

from ultralytics.data.annotator import auto_annotate

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

Certes, voici le tableau mis à jour avec des extraits de code :

Le auto_annotate La fonction prend le chemin de tes images, ainsi que des arguments facultatifs pour spécifier la détection pré-entraînée et la méthode de détection. SAM modèles de segmentation, l'appareil sur lequel exécuter les modèles et le répertoire de sortie pour sauvegarder les résultats annotés.

En tirant parti de la puissance des modèles pré-entraînés, l'auto-annotation peut réduire considérablement le temps et les efforts nécessaires à la création d'ensembles de données de segmentation de haute qualité. Cette fonction est particulièrement utile pour les chercheurs et les développeurs qui travaillent avec de grandes collections d'images, car elle leur permet de se concentrer sur le développement et l'évaluation des modèles plutôt que sur l'annotation manuelle.

Commentaires